Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini
Abstract
Son yıllarda, bilgisayarların donanımındaki teknolojik gelişmeler ve makine öğrenme tekniklerindeki gelişmeler nedeniyle, "Büyük Veri" ve "Paralel İşleme" kullanımı olmak üzere problem çözmek için iki artan yaklaşım vardır. Özellikle GPU'lar gibi çok çekirdekli bilgi işlem aygıtlarında paralel olarak gerçekleştirilebilen Derin Öğrenme algoritmalarının ortaya çıkmasıyla, bu yaklaşımlarla birçok gerçek dünya problemleri çözülebilmektedir. Derin öğrenme modelleri eğitildikleri veri ile sınıflandırma, regresyon analizi ve zaman serilerinde tahmin gibi uygulamalarda büyük başarılar göstermektedir. Bu modellerin finansal piyasadaki en aktif uygulama alanlarından biri özellikle borsada işlem gören hisse senetlerinin tahmini işlemleridir. Bu alanda amaç, pazardaki değişim süreci hakkındaki hisse senedinin önceki günlük verilerine bakarak kısa veya uzun vadeli gelecekteki değerini tahmin etmeye çalışmaktır. Bu çalışmada, LSTM, GRU ve BLSTM isimli 3 farklı derin öğrenme modeli kullanılarak bir hisse senedi tahmin sistemi geliştirilip, kullanılan modeller arasında karşılaştırmalı bir analiz yapıldı. Spekülatif hareketlerden uzak olması için veri seti olarak 1968'den 2018'e kadar olan New York Borsası'ndan hisse senedinin zaman serisi değerlerini kullanıldı. Spesifik olarakta IBM hisse senedi ile test çalışmaları yapıldı. Deneysel sonuçlar BLSTM modelinin 5 günlük girdi verileriyle eğitilmesi ile %63,54 lük bir yönsel doğruluk değerine ulaşıldığını göstermektedir.
Keywords
References
- [1] Cavalcante R. C., Brasileiro R. C., Souza V. L., Nobrega J. P. and Oliveira A. L., “Computational intelligence and financial markets: A survey and future directions,” Expert Systems with Applications, vol. 55, pp. 194–211, 2016.[2] Namdari A. and Li Z. S., "Integrating Fundamental and Technical Analysis of Stock Market through Multi-layer Perceptron," 2018 IEEE Technology and Engineering Management Conference (TEMSCON), Evanston, IL, 2018, pp. 1-6. doi: 10.1109/TEMSCON.2018.8488440[3] Beyaz E., Tekiner F., Zeng X. and Keane J., "Comparing Technical and Fundamental Indicators in Stock Price Forecasting," 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS), Exeter, United Kingdom, 2018, pp. 1607-1613. doi: 10.1109/HPCC/SmartCity/DSS.2018.00262[4] Chou J. and Nguyen T., "Forward Forecast of Stock Price Using Sliding-Window Metaheuristic-Optimized Machine-Learning Regression," in IEEE Transactions on Industrial Informatics, vol. 14, no. 7, pp. 3132-3142, July 2018. doi: 10.1109/TII.2018.2794389[5] Lien Minh D., A. Sadeghi-Niaraki, H. D. Huy, K. Min and H. Moon, "Deep Learning Approach for Short-Term Stock Trends Prediction Based on Two-Stream Gated Recurrent Unit Network," in IEEE Access, vol. 6, pp. 55392-55404, 2018. doi: 10.1109/ACCESS.2018.2868970[6] Trelewicz J. Q., "Big Data and Big Money: The Role of Data in the Financial Sector," in IT Professional, vol. 19, no. 3, pp. 8-10, 2017. doi: 10.1109/MITP.2017.45[7] Mohammadi M., Al-Fuqaha A., Sorour S. and Guizani M., "Deep Learning for IoT Big Data and Streaming Analytics: A Survey," in IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 2923-2960, Fourthquarter 2018. doi: 10.1109/COMST.2018.2844341[8] Korczak, J., & Hernes, M. (2017). Deep Learning for Financial Time Series Forecasting in A-Trader System. Proceedings of the 2017 Federated Conference on Computer Science and Information Systems.[9] Arévalo, A., Niño, J., Hernández, G., & Sandoval, J. (2016). High-Frequency Trading Strategy Based on Deep Neural Networks. Intelligent Computing Methodologies Lecture Notes in Computer Science,424-436.[10] Zhou, X., Pan, Z., Hu, G., Tang, S., & Zhao, C. (2018). Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets. Mathematical Problems in Engineering, Vol. 2018,1-11.[11] Ganesh, P., & Rakheja, P. (2018). Deep Neural Networks in High Frequency Trading.[12] Gudelek, M. U. , Boluk S. A. and Ozbayoglu A. M., "A deep learning based stock trading model with 2-D CNN trend detection," 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, 2017, pp. 1-8. doi: 10.1109/SSCI.2017.8285188[13] Karatas, G., Demir, O., and Sahingoz, O. K. (2018). Deep Learning in Intrusion Detection Systems. 2018 International Congress on Big Data, Deep Learning and Fighting Cyber Terrorism (IBIGDELFT).[14] Sahingoz, O. K., Baykal, S. I., and Bulut, D. (2018). Phishing Detection From Urls By Using Neural Networks. Computer Science & Information Technology (CS & IT)
Details
Primary Language
Turkish
Subjects
-
Journal Section
Research Article
Authors
Gözde Şişmanoğlu
This is me
0000-0003-0284-4752
Türkiye
Furkan Koçer
This is me
0000-0002-0053-2459
Türkiye
Mehmet Ali Önde
This is me
0000-0001-9269-8554
Türkiye
Publication Date
March 13, 2020
Submission Date
May 29, 2019
Acceptance Date
October 11, 2019
Published in Issue
Year 2020 Volume: 9 Number: 1
Cited By
Finansal Tablolarda Hile Riskinin Tespit Edilmesinde Veri Madenciliği Yöntemlerinin Kullanılmasına Yönelik Bir Araştırma
Journal of Yaşar University
https://doi.org/10.19168/jyasar.956623Developing Financial Forecast Modeling With Deep Learning On Silver/Ons Parity
Journal of Advanced Research in Natural and Applied Sciences
https://doi.org/10.28979/jarnas.979429Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini
Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
https://doi.org/10.17341/gazimmfd.944081A New Algorithmic Trading Approach Based on Ensemble Learning and Candlestick Pattern Recognition in Financial Assets
Turkish Journal of Science and Technology
https://doi.org/10.55525/tjst.1124256Sector-Based Stock Price Prediction with Machine Learning Models
Sakarya University Journal of Computer and Information Sciences
https://doi.org/10.35377/saucis...1200151Stock Closing Price Prediction with Machine Learning Algorithms: PETKM Stock Example In BIST
Düzce Üniversitesi Bilim ve Teknoloji Dergisi
https://doi.org/10.29130/dubited.1096767Prediction of Financial Time Series with Deep Learning Algorithms
Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi
https://doi.org/10.53433/yyufbed.1240021Stock Price Forecasting with Deep Learning Techniques
Alphanumeric Journal
https://doi.org/10.17093/alphanumeric.1357466Kronik hastalıkların Sosyoekonomik Belirleyicileri Üzerine bir Makine Öğrenmesi Analizi
İzmir İktisat Dergisi
https://doi.org/10.24988/ije.1491030Gezegen hareketlerinin ve açılarının finansal piyasalar üzerindeki etkisi: Derin öğrenme tabanlı bir yaklaşım
Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
https://doi.org/10.17341/gazimmfd.1633556