Hisse Senedi Piyasası Analizinde Farklı Derin Sinir Ağı Modellerinin Karşılaştırılması

Abstract

Yatırımcılar, tasarruflarını getiri potansiyeli yüksek varlıklara yönlendirerek portföylerini güçlendirmeyi ve daha yüksek getiri elde etmeyi hedefliyor. Çeşitli finansal araçlar arasında hisse senetleri yüksek getiri potansiyeli sunan yatırım araçları olarak değerlendirilmektedir. Sonuç olarak hisse senedi fiyat tahmini birçok yatırımcı ve araştırmacının merak konusu olmuştur ve olmaya da devam etmektedir. Ancak yüksek getiri arayışı aynı zamanda yüksek riskleri ve belirsizlikleri de beraberinde getiriyor. Bu belirsizliğin temel kaynakları arasında hisse senedi fiyatlarını etkileyen siyasi olaylar, toplumsal gelişmeler, uluslararası ilişkiler ve sektörel değişimler yer alıyor. Bu çok yönlü ve karmaşık faktörlerin tahmini zordur ve hisse senedi fiyat hareketlerini tahmin etme görevini doğası gereği zorlaştırır. Geleneksel olarak hisse senedi fiyat tahminleri istatistiksel ve ekonometrik yöntemlere dayanmaktaydı. Son yıllarda teknoloji ve bilgisayar bilimlerindeki ilerlemeler, hisse senedi fiyat tahminlerinde yapay zeka ve makine öğrenmesi metodolojilerinin giderek daha fazla kullanılmasına yol açmıştır. 2000'li yıllardan itibaren derin öğrenme yöntemlerinin gelişmesiyle birlikte hisse senedi fiyat hareketlerindeki karmaşık ilişkiler tespit edilmeye başlanmış ve başarılı sonuçlar elde edilmiştir. Bu çalışmada, çok değişkenli Derin Sinir Ağları (Deep Neural Network-DNN), Evrişimsel Sinir Ağları (Convolutional Neural Network-CNN) ve Tekrarlayan Sinir Ağları (Recurrent Neural Networks-RNN) modelleri kullanılarak hisse senedi fiyatlarını tahmin etmek ve modellerin performanslarını karşılaştırmak amaçlanmıştır. Bu amaçla, Vestel Elektronik Sanayi ve Ticaret A.Ş. (VESTL) için 03/06/2013-28/05/2021 tarihleri arasında günlük hisse senedi kapanış fiyatları serisi ve bu seriye etki edebilecek bağımsız değişkenler ele alınarak analizler yapılmıştır. Analiz sonuçlarına göre, en iyi performans gösteren modelin CNN olduğu belirlenmiş ve bu modelin RMSE değeri 0.0858 olarak hesaplanmıştır.

Keywords

• Derin Öğrenme
• Hisse Senedi Fiyat tahmini
• Derin Sinir Ağları
• Tekrarlayan Sinir Ağları
• Evrişimsel Sinir Ağları

Comparison of Different Deep Neural Network Models in Stock Market Analysis

Abstract

Investors aim to strengthen their portfolios and achieve higher returns by allocating their savings to assets with high return potential. Among various financial instruments, stocks are considered investment vehicles that offer a high potential for returns. Consequently, stock price prediction has been a subject of curiosity for many investors and researchers and continues to be so. However, the pursuit of high returns also introduces high risks and uncertainties. The fundamental sources of this uncertainty include political events, social developments, international relations, and sectoral changes, all of which influence stock prices. The prediction of stock price movements, which is inherently challenging, becomes even more difficult due to the influence of versatile and complex factors. Traditionally, stock price predictions have been based on statistical and econometric methods. In recent years, advancements in technology and computer sciences have led to the increasing use of artificial intelligence and machine learning methodologies in stock price predictions. Since the development of deep learning methods in the 2000s, complex relationships in stock price movements have been identified, yielding successful results. This study aims to predict stock prices using multivariate Deep Neural Networks (DNN), Convolutional Neural Networks (CNN), and Recurrent Neural Networks (RNN) models, and to compare the performance of these models. To achieve this goal, analyses were conducted using the daily closing stock prices series of Vestel Elektronik Sanayi ve Ticaret A.Ş. (VESTL) between June 3, 2013, and May 28, 2021, along with independent variables that could affect this series. According to the analysis results, comparing the mean squared error (MSE) and the square root of the mean squared error (RMSE) metrics, it was determined that the CNN model performed the best, and the RMSE value for this model was calculated as 0.086.

Keywords

• Deep Learning
• Stock Price prediction
• Deep Neural Networks
• Recurrent Neural Networks
• Convolutional Neural Networks

References

1. ALBAYRAK, E., & SARAN, N. (2023). İstatistiksel ve derin öğrenme modellerini kullanarak hisse senedi fiyat tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16(2), 161-169. https://doi.org/10.54525/tbbmd.1031017
2. ARSLANKAYA, S., & TOPRAK, Ş. (2021). Makine öğrenmesi ve derin öğrenme algoritmalarını kullanarak hisse senedi fiyat tahmini. International Journal of Engineering Research and Development, 13(1), 178-192. https://doi.org/10.29137/umagd.771671
3. BINGOL, K., AKAN, A. E., ÖRMECİOĞLU, H. T., & ER, A., (2020). Artificial intelligence applications in earthquake resistant architectural design: Determination of irregular structural systems with deep learning and ImageAI method. Journal of The Faculty of Engineering and Architecture of Gazi University , vol.35, no.4, 2197-2209.
4. CHOLLET, F. (2018). Deep Learning with Python. Manning Publications Co.
5. CIABURRO, G., & VENKATESWARAN, B. (2017). Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles. Packt Publishing Ltd.
6. CİHAN, P., & COŞKUN, H. (2021). Performance comparison of machine learning models for diabetes prediction. 29th Signal Processing and Communications Applications Conference (SIU) (Pp. 1-4). IEEE.
7. GLOROT, X., BORDES, A., & BENGIO, Y. (2011). Deep sparse rectifier neural networks. Proceedings of the Fourteenth International Conference On Artificial Intelligence and Statistics (p. 315-323).
8. GOODFELLOW, I., BENGIO, Y., & COURVILLE, A. (2016). Deep Learning. MIT Press.

9. GURESEN, E., KAYAKUTLU, G., & DAİM, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert systems with Applications, 38(8), 10389-10397.
10. HUBEL, D. H., & WIESEL, T. N. (1968). Receptive fields and functional architecture of monkey striate cortex. The Journal of physiology, 195(1), 215–243. https://doi.org/10.1113/jphysiol.1968.sp008455
11. KARAATLI, M., GÜNGÖR, İ., DEMİR, Y., KALAYCI, Ş. (2005). Hisse senedi fiyat hareketlerinin yapay sinir ağları yöntemi ile tahmin edilmesi. Journal of Management and Economics Research, 3(3), 38-48.
12. KAZEM, A., SHARIFI, E., HUSSAIN, F.K., SABERI, M., & HUSSAIN, O.K. (2013). Support vector regression with chaos-based firefly algorithm for stock market price forecasting. Applied soft computing, 13(2), 947-958. https://doi.org/10.1016/j.asoc.2012.09.024.
13. AYYÜCE KIZRAK, M., & BOLAT, B. (2018). Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma. Bilişim Teknolojileri Dergisi, 11(3), 263-286. https://doi.org/10.17671/gazibtd.419205.
14. KIM, H.Y., WON, C.H. (2018). Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Systems with Applications, 103:25-37.
15. KINGMA, D.P., & BA, J. (2014). Adam: A Method for Stochastic Optimization. CoRR, abs/1412.6980.
16. KRIZHEVSKY, A., SUTSKEVER, I., & HINTON, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In Proceedings of the 25th International Conference on Neural Information Processing Systems- Volume 1 (NIPS'12). Curran Associates Inc., Red Hook, NY, USA, 1097–1105.
17. MONFARED, S.A. & ENKE, D. (2014). Volatility Forecasting Using a Hybrid GJR-GARCH Neural Network Model, Procedia Computer Science, Vol.36, 246-253, https://doi.org/10.1016/j.procs.2014.09.087.
18. NAIR, V., & HINTON, G. E. (2010). Rectified linear units improve restricted boltzmann machines. In Proceedings Of The 27th International Conference On Machine Learning (ICML10) (pp. 807-814).
19. NAZIR, S., PATEL, S., & PATEL, D. (2018). Hyper parameters selection for image classification in convolutional neural networks. 2018 IEEE 17th International Conference on Cognitive Informatics & Cognitive Computing (ICCI*CC), Berkeley, CA, USA, 2018, pp. 401-407, doi: 10.1109/ICCI-CC.2018.8482081.
20. NIELSEN, M. A. (2015). Neural Networks and Deep Learning. Determination Press.
21. İNİK, Ö., & ÜLKER, E. (2017). Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
22. PERVAN, N. (2019). Derin öğrenme yaklaşımları kullanılarak türkçe metinlerden anlamsal çıkarım yapma. Yüksek Lisans Tezi, Ankara Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
23. SIMARD, P. Y., STEINKRAUS, D., & PLATT, J. C. (2003). Best practices for convolutional neural networks applied to visual document analysis," Seventh International Conference on Document Analysis and Recognition, 2003. Proceedings., Edinburgh, UK, 2003, pp. 958-963, doi: 10.1109/ICDAR.2003.1227801.
24. TAN, F. G., YÜKSEL, A. S., AYDEMİR, E., ERSOY, M. (2021). Derin öğrenme teknikleri ile nesne tespiti ve takibi üzerine bir inceleme. Avrupa Bilim ve Teknoloji Dergisi (25), 159-171. https://doi.org/10.31590/ejosat.878552
25. TEKTAŞ, A., & KARATAŞ, A. (2010). Yapay sinir ağları ve finans alanına uygulanması: hisse senedi fiyat tahminlemesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(3-4).
26. THAKKAR, A. & KINJAL CHAUDHARI, K. (2021). A comprehensive survey on deep neural networks for stock market: The need, challenges, and future directions, Expert Systems with Applications, 177,114800,https://doi.org/10.1016/j.eswa.2021.114800.
27. TOĞAÇAR, M., ERGEN, B., & CÖMERT, Z. (2020). BrainMRNet: Brain tumor detection using magnetic resonance images with a novel convolutional neural network model. Medical hypotheses, 134, 109531. https://doi.org/10.1016/j.mehy.2019.109531.
28. TOKGÖZ, A., & ÜNAL, G. (2018, May). A RNN based time series approach for forecasting turkish electricity load. 26th Signal Processing and Communications Applications Conference (SIU), Izmir, Turkey ,pp. 1-4. doi: 10.1109/SIU.2018.8404313.
29. WANG, J.Z., WANG, J.J., ZHANG, Z.G. & GUO, S.P. (2011). Forecasting stock indices with back propagation neural network, Expert Systems with Applications, Vol.38, Issue 11, 14346-14355, https://doi.org/10.1016/j.eswa.2011.04.222.
30. ZAHEER S, ANJUM N, HUSSAIN S, ALGARNI AD, IQBAL J, BOUROUIS S, ULLAH SS.(2023). A Multi Parameter Forecasting for Stock Time Series Data Using LSTM and Deep Learning Model. Mathematics, 11(3):590. https://doi.org/10.3390/math11030590
31. ZEILER, M. D. (2012). ADADELTA: An Adaptive Learning Rate Method (Version 1). arXiv. https://doi.org/10.48550/ARXIV.1212.5701