Browsing by Author "Albayrak, Emre"

Now showing 1 - 2 of 2

İstatistiksel ve Derin Öğrenme Modellerini Kullanarak Hisse Senedi Fiyat Tahmini
(2023) Albayrak, Emre; Saran, Ayşe Nurdan
Borsa analizi, geleceğe yönelik tahminler yapmak için finansal, politik ve sosyal göstergeleri göz önünde bulundurarak borsayı inceler ve değerlendirir. Büyük veri ve derin öğrenme teknolojilerindeki gelişmelerin çığır açan sonuçları, araştırmacıların ve endüstrinin dikkatini bilgisayar destekli borsa analizine çekmektedir. Geleneksel makine öğrenimi ve derin öğrenme modellerini kullanarak borsa analizi konusunda çeşitli çalışmalar bulunmaktadır. Bu çalışmada, temel model olarak Otoregresif Entegre Hareketli Ortalama (ARIMA) yöntemini tekrarlayan sinir ağlarının üç farklı modeliyle karşılaştırılmıştır; Uzun Kısa Süreli Bellek (Long Short Term Memory- LSTM) ağları, Geçitli Tekrarlayan Birim (Gated Recurrent Unit- GRU), dikkat katmanlı LSTM modeli. Bu çalışmada literatürdeki diğer çalışmalardan farklı olarak 28 tane finansal indikatör kullanılarak Borsa İstanbul verileri üzerinde gün içi tahminler yaparken dört farklı modelin sonuçları karşılaştırılmıştır. İstatistiksel ve doğrusal bir model olan ARIMA, zaman serileri tahmini için doğrusal olmayan RNN modelleri ile karşılaştırılmıştır ancak 3 sinir ağı modelinden de yüksek ortalama hata oranına sahip olduğu görülmüştür. LSTM sonuçları GRU modeline çok yakın olsa da GRU diğerlerinden biraz daha iyi performans göstermektedir. Dikkat mekanizmalı sinir ağı diğer temel sinir ağlarından daha iyi sonuç vermemektedir.
Stock price prediction using deep learning methods in high-frequency trading
(2021) Albayrak, Emre
Borsa analizleri finansal, politik ve sosyal göstergeler göz önünde bulundurularak yapılırken, büyük veri ve derin öğrenme teknolojilerindeki önemli gelişmeler araştırmacı ve yatırımcıların dikkatini bilgisayar destekli analizlere yöneltmiştir. Bu çalışmada temel olarak kullanılan Bütünleşik Otoregresif Hareketli Ortalama (ARIMA) modelinin yanında Uzun Kısa-Dönem Hafızalı (LSTM) ağlar, Kapı Özyinelemeli Geçitler (GRU), Uzun Kısa-Dönem Hafızalı ağlarda Dikkat Mekanizması olmak üzere dört farklı model incelenmiştir. Borsa İstanbul verileriyle gerçekleştirilen çalışmada gün içi verileriyle tahminler gerçekleştirilmiĢtir. Yapılan test çalışmaları sonucunda Kapı Özyinelemeli Geçitler'in diğer modellere göre daha iyi sonuç verdiği görülmüştür.