Derin Öğrenme Teknikleri Kullanılarak Borsadaki Hisse Değerlerinin Tahmin Edilmesi

Yıl 2022, Sayı: 39, 143 - 148, 31.07.2022

İlker Dalkıran , Mehmet Ozan

https://doi.org/10.31590/ejosat.1145949

Öz

Borsada işlem gören hisse senetlerinin fiyatlamasında, farklı tipte ve çok miktarda kuvvet etkendir. Bu kuvvetler arasındaki etkileşimlerin karmaşık olması sebebiyle fiyat hareketlerinin önceden tam doğrulukla tahmin edilmesi oldukça zordur. Ancak istatistik teorilerinden doğan ve ancak günümüz bilgisayarları ile uygulanması mümkün olan karmaşık derin öğrenme teknikleri ile bu değerlerin kısa dönem tahminleri mümkündür. Sunulan çalışmada Borsa İstanbul içerisinde işlem görmekte olan ISCTR hisse senedinin uzun dönem verilerine bakılarak günlük değer tahmini yapılmıştır. Ayrıca ilgili hissenin verilerine ek olarak, tahmin kabiliyetini artırmak amacıyla VAKBN, GARAN, QNBFB ve AKBNK hisse senetlerinin ve USD/TRY, BIST30, BANKX endekslerinin tarihsel verileri de kullanılmıştır. Sunulan çalışmada çok değişkenli yapıda uzun kısa-dönem hafıza (Long Short-Term Memory, LSTM) algoritması Adam ve RMSProp optimize edicileri ile kullanılmış ve performansı gözlemlenmiştir.

Anahtar Kelimeler

Derin Öğrenme, Borsa, Uzun Kısa-Dönem Hafıza, LSTM, Kapılı Tekrarlayan Hücre, GRU

Predicting Of Stock Market Using Deep Learning Techniques

Öz

Stock market share values are affected by different and many forces. It is difficult to exactly predict share values in advance due to the fack that the interactions among these forces are complex. However, short-term estimations of these values are possible with complex deep learning techniques that arise from statistical theories and can be realized with today's computer technologies. In this study, one-day value estimation of ISCTR stock traded in the Borsa Istanbul has been made using long term data. In addition to the data of the related stock, historical data of VAKBN, GARAN, QNBFB and AKBNK stock prices and USD/TRY, BIST30 and BANKX indices were also used in the study in order to increase the estimation ability. In the proposed study, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) algorithms in multivariate structure were used with Adam and RMSProp optimizers and
their performances were observed.

Anahtar Kelimeler

Deep Learning, Stock Market, Long Short-Term Memory, LSTM, Gated Recurrent Unit, GRU

Kaynakça

• Alpaydın, E. (2020). Introduction to Machine Learning, Adaptive Computation and Machine Learning Series, Fourth Edition. Cambridge, MIT Press.
• Birgili, M.E. (2013). Teknik analiz yöntemini kullanan yatırımcıların davranışsal finans modelleri ile açıklanması Türkiye’de bir araştırma. (Yüksek Lisans Tezi, Adnan Menderes Üniversitesi, Aydın) Erişim Adresi https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=iTkOhwevEenJZ3onUvs52sfD9fLcOAWqg7lqyJOSETPnLt6_FdrimGo7dQBlYw7F
• Borsa İstanbul A.Ş. (2021). Vadeli İşlem ve Opsiyon Piyasası. Erişim adresi https://www.borsaistanbul.com/tr/sayfa/48/vadeli-islem-ve-opsiyon-piyasasi
• Çakır, Ö. (2019). Derin Öğrenme Nedir?. Erişim adresi https://www.yapayzekatr.com/2019/12/16/derin-ogrenme-nedir/
• Falinouss, P. (2007). Stock trend prediction using news articles: a text mining approach. (MSc Thesis, Lulea University of Technology, Lulea). Erişim adresi http://www.diva-portal.org/smash/get/diva2:1019373/FULLTEXT01.pdf
• Fitz-Gibbon, C.T. (1990). Performance indicators. Clevedon, Multilingual Matters LTD.
• Gunduz, H., Cataltepe, Z. ve Yaslan, Y. (2017). Stock market direction prediction using deep neural networks. 25th Signal Processing and Communications Applications Conference (SIU) içinde(1-4. Ss.). Antalya, Türkiye.
• İnce, N.T. (2019). Predicting the bitcoin trend using technical indicators for deep learning algorithmic features. (MSc Thesis, Boğaziçi University, İstanbul). Erişim adresi https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=vjszP7PzV0HebcjFEvDfwM8JDRDiftc4zmyi94wT8TnUyUBU-biobdxj7sRIpSaT
• Jeffcok, P. (2018). What's the Difference Between AI, Machine Learning, and Deep Learning?. Erişim adresi https://blogs.oracle.com/bigdata/post/whatx27s-the-difference-between-ai-machine-learning-and-deep-learning#:~:text=Machine%20learning%20is%20a%20subset,to%20solve%20more%20complex%20problems.
• Kızrak, A. (2019). Step-by-Step Use of Google Colab’s Free TPU. Erişim adresi https://heartbeat.fritz.ai/step-by-step-use-of-google-colab-free-tpu-75f8629492b3.
• Konstantinou, R. (2017). Stock market prediction using artificial neural networks. (MSc Thesis, Chalmers University of Technology, Gothenburg). Erişim adresi https://publications.lib.chalmers.se/records/fulltext/256121/256121.pdf
• Linzie, A. (2017). Financial analysis with artificial neural networks short-term stock market forecasting. (Undergraduate Honors Theses Gardner-Webb University, Cleveland). Erişim adresi https://digitalcommons.gardner-webb.edu/cgi/viewcontent.cgi?article=1006&context=undergrad-honors
• Moghar, A. (2020). Stock Market Prediction Using LSTM Recurrent Neural Network. Procedia Computer Science, 170, 1168-1173.
• Ozan, M. (2021). Derin öğrenme teknikleri kullanılarak borsadaki hisse değerlerinin tahmin edilmesi. (Yüksek Lisans Tezi, Erciyes Üniversitesi, Kayseri). Erişim adresi https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=8tbPippmWV_b-Irrn9YEAgQPn0J8uqy13m_LpjiALSWhF4xBuEhNOl_BdTAAET7M
• Raşo, H. ve Demirci, M. (2019). Predicting the Turkish Stock Market BIST 30 Index Using Deep Learning. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 11, 7-8.
• Site, A. (2020). Stock market prediction using machine learning models. (Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, İzmir). Erişim adresi https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=fl0Kw4p1rmMDotyKRdYv1GqKGm8UNSWJBWEHU-M2VMQbX6VNTlKchZgQePYi5LVf
• Vikipedia. (2021). Borsa. Erişim adresi https://tr.wikipedia.org/wiki/Borsa
• Yahoo Finance. İş Bankası A.Ş. ye Ait ISCTR Hisselerinin Geçmiş Verileri içinde. Erişim adresi https://finance.yahoo.com/quote/ISCTR.IS/history?p=ISCTR.IS