Employing deep learning approaches for financial time series analysis
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: FIRAT MELİH YILMAZ
Danışman: Engin Yıldıztepe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yapay zeka (YZ), finans sektöründe algoritmik ticaret, portföy tahsisi ve hisse senedi getiri tahminleri de dahil olmak üzere çok çeşitli işlemleri yönetmek için kullanılmaktadır. Özellikle hisse senedi getirilerinin tahmin edilmesi son zamanlarda gündemde olan bir konudur. Hisse senedi getirisini tahmin etmek için güvenilir bir model seçmek çok önemlidir ve makine öğrenimi, örüntü tanıma ve yapay zeka dahil olmak üzere çeşitli araçlar kullanılmaktadır. Birçok çalışma, tekrarlayan sinir ağı (TSA) modellerinin tahmin gücünü göstermiş olsa da, çok azı hisse senedi getirisi tahmininde zamansal evrişimsel ağlarının (ZEA) tahmin performansını sistematik olarak araştırmıştır. ZEA'lar önceki getiriler ile mevcut hisse senedi fiyat değişiklikleri arasındaki uzun vadeli korelasyonları daha iyi yakalayabildiğinden, TSA'lara göre daha üstün hisse senedi getirisi tahmini sağlar. Bu tez çalışmasında, gelişmiş makine öğrenimi ve derin öğrenme modellerinin gelecekteki hisse senedi getirilerini ne kadar iyi tahmin ettiği araştırılmıştır. Bu amaçla, doğrusal regresyon, ağaç regresyonu ve tekrarlayan sinir ağlarına dayalı olan çok sayıda tahmin modeli kullanılmıştır. Tahmin modellerinin göreceli performansı, farklı piyasa senaryolarında analiz edilmiştir. Model güven kümesi testi kullanılarak, hangi modelin (veya modellerin) hisse senedi getirilerini öngörmede istatistiksel olarak daha üstün olduğu analiz edilmiştir. Dört farklı finansal zaman serisi üzerinde yapılan deneysel çalışma ZEA modelinin örneklem dışı tahmin doğruluğu açısından rakip modellerden daha iyi performans gösterdiğini ortaya koymuştur.