Hibrit derin öğrenme modelleri ile hisse senedi fiyat tahmini
| dc.contributor.advisor | Metin, Nurcan | |
| dc.contributor.author | Karadağ, Kübra | |
| dc.date.accessioned | 2022-06-16T06:16:13Z | |
| dc.date.available | 2022-06-16T06:16:13Z | |
| dc.date.issued | 2022 | |
| dc.date.submitted | 2022 | |
| dc.department | Enstitüler, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı | en_US |
| dc.description.abstract | Zaman serilerinde yüksek performanslı tahminler yapabilmek birçok uygulama alanı için temel öneme sahiptir. Zaman serisi verilerini tek bir yöntemle tahmin etmek yerine, veri setinin barındırdığı farklı fonksiyonel ilişkileri modelleyebilen birden çok yöntemi birleştirilerek tahminde bulunmak, daha etkili sonuçlar vermektedir. Tez kapsamında, Borsa İstanbul’da işlem gören XBANK bankalar endeksinin gelecek değer tahmini için derin öğrenme modelleri arasında zamansal ilişkileri dikkate alan LSTM ve GRU algoritmalarının kullanımı tercih edilmektedir. ARIMA modeli ve teknik analizde kullanılan göstergelerin de kullanımı ile farklı hibrit model yapıları ortaya koyularak tahmin performanslarının arttırılması amaçlanmaktadır. Ele alınan farklı model yapılarının etkinliği, geçerliliği ve model performanslarının değerlendirilebilmesi için modellere ait öngörü değerleri ve hataya bağlı model performans metrikleri karşılaştırılmaktadır. Uygulama sonucunda, ARIMA model artıkları ve teknik analiz göstergelerinin kullanımı ile oluşturulan GRU hibrit modeli, oluşturulan diğer GRU, LSTM ve LSTM hibrit modellerine göre, örneklem dışı değerlere en yakın tahminler vermekte ve düşük hata oranı ile daha başarılı tahmin performansı gerçekleştiren model olarak dikkat çekmektedir. | en_US |
| dc.description.abstract | Being able to make high-performance predictions in time series is of fundamental importance for many application areas. Instead of estimating time series data with a single method, estimating by combining multiple methods that can model different functional relationships in the data set gives more effective results. Within the scope of the thesis, the use of LSTM and GRU algorithms, which take into account the temporal relationships between deep learning models, is preferred for the future value estimation of the XBANK banks index traded in Borsa Istanbul. With the use of the ARIMA model and the indicators used in technical analysis, it is aimed to increase the forecast performances by revealing different hybrid model structures. In order to evaluate the effectiveness, validity and model performance of the different model structures under consideration, the predictive values of the models and the model performance metrics related to the error are compared. As a result of the application, the GRU hybrid model, which was created with the use of ARIMA model residues and technical analysis indicators, gives the closest estimates to the out-of-sample values compared to the other GRU, LSTM and LSTM hybrid models created, and draws attention as a model that performs more successful prediction performance with its low error rate. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.14551/8056 | |
| dc.identifier.yoktezid | 732508 | en_US |
| dc.language.iso | tr | en_US |
| dc.publisher | Trakya Üniversitesi Sosyal Bilimler Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Hisse senetleri | en_US |
| dc.subject | Derin öğrenme | en_US |
| dc.subject | Hibrit model | en_US |
| dc.subject | Zaman serileri analizi | en_US |
| dc.subject | Teknik analiz | en_US |
| dc.subject | Stocks | en_US |
| dc.subject | Deep learning | en_US |
| dc.subject | Hybrid model | en_US |
| dc.subject | Time series analysis | en_US |
| dc.subject | Technical analysis | en_US |
| dc.title | Hibrit derin öğrenme modelleri ile hisse senedi fiyat tahmini | en_US |
| dc.title.alternative | Stock price prediction with hybrid deep learning models | en_US |
| dc.type | Master Thesis | en_US |
