FOREX PİYASALARI İÇİN BAYES TEKNİĞİ İLE OTOMATİK AL/SAT SİNYALİ ÜRETİLMESİ

Abstract

Kaldıraçlı döviz alım-satım piyasası, yaygın olarak bilinen ismiyle Forex veya FX, günlük 5,5 trilyon dolarlık işlem hacmiyle dünyanın en büyük para piyasasıdır. Forex piyasalarında fiyat yönünün tahmini ve işleme girme yöntemleri gelişen teknolojiye paralel olarak her geçen gün değişmekte ve geçmiş veriler ile eğitilerek karar verebilen robotların bu alanda etkisi giderek artmaktadır. Makine öğrenmesi, bilgisayarların geçmiş bilgilerden elde edilen tecrübelerden yararlanarak, gelecekteki olayları tahmin etmesine ve modelleme yapmasına imkân veren bir yapay zekâ alanıdır. Bu çalışmada, bir makine öğrenme tekniği olan “Naive Bayes“ algoritması kullanılarak, geçmişteki veriler ışığında güncel duruma uygun AL ya da SAT sinyali üreten ve bu yönde otomatik işlem açan bir robot geliştirilmiştir. Robot EUR/USD, GBP/USD, USD/JPY, USD/CHF, USD/CAD, GBP/JPY ve AUD/USD paritelerine ait geçmiş veriler üzerine uygulanmış ve elde edilen sonuçlar yorumlandığında Forex piyasaları için üretilen sinyallerin başarılı olduğu görülmüştür.

Keywords

• Kaldıraçlı Piyasalar
• Forex
• Makine Öğrenmesi
• Veri Madenciliği
• Naive Bayes

AUTOMATIC BUY/SELL SIGNAL PRODUCTION FOR FOREX MARKETS BY BAYES TECHNIQUE

Abstract

The leveraged currency trading market, commonly known as Forex or FX, is the world's largest money market with a daily transaction volume of $ 5.5 trillion. The forecasting and processing methods of the price direction in the Forex markets are changing day by day in parallel with the developing technology and the effect of robots, which can make decisions by being educated with the historical data is increasing in this field. Machine learning is an artificial intelligence field that allows computers to predict future events and model by utilizing the experience gained from historical knowledge. In this study, by using a machine learning technique "Naive Bayes" algorithm, a robot has been developed which produces an BUY or SELL signal according to the current situation and opens an automatic process in the light of historical data. The robot is applied to the historical data of EUR/USD, GBP/USD, USD/JPY, USD/CHF, USD/CAD, GBP/JPY and AUD/USD parities and when the results are interpreted, it is seen that the signals produced for the Forex markets are successful.

Keywords

• Leveraged Markets
• Forex
• Machine Learning
• Data Mining
• Naive Bayes

References

1. Alpaydın, E., 2004. Introduction to Machine Learning. The MIT Press, London.
2. Baasher, A.A., Fakhr, M.W., 2011. Forex Trend Classification Using Machine Learning Techniques. Proceedings of the 11th WSEAS International Conference on Applied Computer Science, 1(1), 41-47.
3. Brock, W., Lakonishok, J., LeBaron, B., 1992. Simple Technical Trading Rules and The Stochastic Properties of Stock Returns. The Journal of Finance, 47(5), 1731-1764.
4. Cao, D.Z., Pang, S.L., Bai, Y.H., 2005. Forecasting Exchange Rate Using Support Vector Machines. Proceedings of the Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, 3448-3452.
5. Celik, O., Osmanoglu, U. O., Canakci, B., 2020. Sentiment Analysis From Social Media Comments. Journal of Engineering Sciences and Design, 8(2), 366-374.
6. Dalyan, T., 2006. Makine Öğrenmesinde 1R Algoritması ve İkinci Kuralın (2R) Oluşturulması. Yüksek Lisans Tezi, Kocaeli Üniversitesi, Türkiye.
7. Guliyev, E., Gurbanzade, Ş., 2008. Forex A'dan Z'ye Uluslararası Döviz Piyasası Alfabesi, Mega Basım, İstanbul.
8. Ickes, B.W., 2006. The Foreign Exchange Market. Econ Papers, 434.

9. InvestAZ, 2017. Forex İndikatörleri Nelerdir?. Çevrimiçi (Erişim, 2 Nisan 2018):
10. https://www.investaz.com.tr/blog/forex-indikatorleri-nelerdir
11. Kırbaş, İ., Arslan, K., 2020. Kapalı Alan Konumlandırma Sistemleri için Düğüm Prototipi Geliştirme. Mühendislik Bilimleri ve Tasarım Dergisi, 8(2), 612-624.
12. Meydan, M., 2008. Forex Piyasası Uluslararası Döviz Piyasalarında İnternet Üzerinden İşlem. Elma Yayınevi, İstanbul.
13. Murat, N., 2007. Model Seçiminde Bayesci Yaklaşımların Kullanımı. Yüksek Lisans Tezi, Ondokuz Mayıs Üniversitesi, Türkiye.
14. Seifollahi, S., Shajari, M., 2019. Word sense disambiguation application in sentiment analysis of news headlines: an applied approach to FOREX market prediction. Journal of Intelligent Information Systems, 52, 57-83.
15. Silahtaroğlu, G., 2008. Kavram ve Algoritmalarıyla Temel Veri Madenciliği. Papatya Yayıncılık, İstanbul.
16. Uzun, Y., 2005. Tıbbi Veriler Üzerinde Makine Öğrenme Algoritmaları ve Bulanık Mantık ile Kurallar Öğrenme. Yüksek Lisans Tezi, Selçuk Üniversitesi, Türkiye.
17. Vyklyuk, Y., Vukovic, D., Jovanovic A., 2013. Forex prediction with neural network: USD/EUR currency pair. Actual Problems of Economics, 10(148), 261-273.
18. Weiss, S.M., Indurkhya, N., 1998. Predictive Data Mining: A Practical Guide. Morgan Kaufmann Publications, USA.
19. Witten, I.H, Frank, E., 2005. Practical Machine Learning Tools and Techniques Second Edition. Morgan Kaufmann Publications, USA.
20. Yao, J., Tan, C.L., 2000. A Case Study on Using Neural Networks to Perform Technical Forecasting of Forex. Neurocomputing, 34(1-4), 79-98.