Finansal Zaman Serilerinin Derin Öğrenme Algoritmaları ile Tahminlenmesi

Yıl 2023, , 935 - 946, 29.12.2023

Dilara Elize Pamukçu , Yeşim Aygül , Onur Uğurlu

https://doi.org/10.53433/yyufbed.1240021

Öz

Borsa endeks verileri, döviz ve altın finansal zaman serileri içerisinde önemli bir yere sahiptir. Bu konuda yapılacak değer ya da hareket yönü tahmini çalışmaları hem yatırımcıların hem de araştırmacıların ilgisini çekmektedir. Bu çalışmada, derin öğrenme yöntemlerinden Tekrarlayan Sinir Ağları ve Uzun-Kısa Süreli Bellek algoritmaları ile; Dolar, Altın ve BİST 100 endeksinin günlük değer tahmini amaçlanmıştır. Çalışmada tarih, dolar, altın ve BİST 100 günlük kapanış verileri içeren 2013-2022 yılları arasındaki 2280 iş gününden oluşan bir veri seti kullanılmıştır. Geliştirilen tahmin modellerinin performanslarını değerlendirmek için ortalama mutlak hata, ortalama karesel hata, hata kareler ortalamasının karekökü ve belirlilik katsayısı değerlendirme ölçütleri kullanılmıştır. Tahmin sonuçları incelendiğinde Uzun-Kısa Süreli Bellek algoritmasının Tekrarlayan Sinir Ağı algoritmasına göre daha iyi performans gösterdiği ve Dolar, Altın ve BİST 100 endeksi için belirlilik katsayısı değerinin %95’in üzerinde olduğu görülmüştür. Ayrıca çalışmada elde edilen bulgular, derin öğrenme algoritmalarının finansal zaman serileri üzerinde ekstra bağımsız değişkenlere ihtiyaç duymadan yüksek tahmin başarımı gösterebileceğini belirtmektedir.

Anahtar Kelimeler

Derin öğrenme, Finansal Zaman serileri, LSTM, RNN, Uygulamalı Matematik, Veri Madenciliği

Prediction of Financial Time Series with Deep Learning Algorithms

Öz

Stock market index data, foreign currency, and gold have an important place in financial time series. Therefore, value or direction of movement estimation studies on this subject attracts the attention of both investors and researchers. This study aims to estimate the daily value of the US Dollar, Gold, and Borsa Istanbul (XU) 100 index using deep learning methods: Recurrent Neural Networks and Long-Short-Term Memory. A data set consisting of 2280 business days between 2013-2022, which includes the date, US Dollar, Gold, and XU 100 closing data, was used in the study. Mean absolute error, mean square error, root mean square error, and coefficient of determination were used to evaluate the performance of the developed prediction models. When the results were examined, it was seen that the Long-Short-Term Memory algorithm performs better than the Recurrent Neural Network algorithm and achieved a determination coefficient value of over 95% for the US Dollar, Gold, and XU 100 index. Moreover, the findings obtained in the study indicate that deep learning algorithms can show high prediction performance on financial time series without using extra independent variables.

Anahtar Kelimeler

Applied Mathematics, Data Mining, Deep Learning, Financial Time Series, LSTM, RNN

Kaynakça

• Akcan, A., & Kartal, C. (2011). İMKB sigorta endeksini oluşturan şirketlerin hisse senedi fiyatlarının yapay sinir ağları ile tahmini. Muhasebe ve Finansman Dergisi, 51, 27-40.
• Akşehir, Z. D., & Kılıç, E. (2019). Makine öğrenmesi teknikleri ile banka hisse senetlerinin fiyat tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 12(2), 30-39.
• Alpay, Ö. (2020). LSTM mimarisi kullanarak USD/TRY fiyat tahmini. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 452-456. doi:10.31590/ejosat.araconf59
• Altunbaş, C. (2021). Derin öğrenme ile hisse senedi piyasası tahmini. (MSc), Aydın Adnan Menderes Üniversitesi, Sosyal Bilimler Enstitüsü, Aydın, Türkiye.
• 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. doi:10.29137/umagd.771671
• Aytekin, N. M. (2021). Yapay Sinir Ağları ve Regresyon Yöntemleri ile Hisse Senedi Getirilerinin Tahmini: Bist-30 Üzerine Bir Uygulama. (MSc), Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, Türkiye.
• Çam, S., & Kılıç, S. B. (2018). Altın fiyatı günlük getirilerinin yapay sinir ağları algoritması ve Markov zincirleri modelleri ile tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 18. EYİ Özel Sayısı, 681-694. doi:10.18092/ulikidince.347048
• Erdoğan, E., & Özyürek, H. (2012). Yapay sinir ağları ile fiyat tahminlemesi. Sosyal ve Beşeri Bilimler Dergisi, 4(1), 85-92.
• Gavcar, E., & Metin, H. M. (2021). Hisse senedi değerlerinin makine öğrenimi (derin öğrenme) ile tahmini. Ekonomi ve Yönetim Araştırmaları Dergisi, 10(2), 1-11.
• Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. doi:10.1162/neco.1997.9.8.1735
• Ilgın, K. S., & Sarı, S. S. (2021). BIST-100 endeks hareketlerinin BRICS endeksleri aracılığıyla tahmin edilmesi: Yapay sinir ağları uygulaması. Abant Sosyal Bilimler Dergisi, 22(1), 350-366. doi:10.11616/asbi.1096346
• Onocak, D., & Koç, S. (2018). Yapay sinir ağlari ile emeklilik yatirim fonu hisse senedi fiyatlarinin tahmini. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 3(3), 590-600. doi:10.29106/fesa.450623
• Özçalıcı, M. (2016). Yapay sinir ağları ile çok aşamalı fiyat tahmini: BİST30 senetleri üzerine bir araştırma. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31(2), 209-227. doi:10.24988/deuiibf.2016312517
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536. doi:10.1038/323533a0
• Sarıkoç, M., & Çelik, M. (2022). Boyut indirgeme teknikleri ve lLSTM derin öğrenme ağı ile BIST100 endeksi fiyat tahmini. Avrupa Bilim ve Teknoloji Dergisi, (34), 519-524. doi:10.31590/ejosat.1083255
• Söylemez, Y. (2020). Prediction of gold prices using multilayer artificial neural networks method. Sosyoekonomi Journal, 28(46), 271-291. doi:10.17233/sosyoekonomi.2020.04.13
• Şişmanoğlu, G., Koçer, F., Önde, M. A., & Şahingöz, O. K. (2020). Derin öğrenme yöntemleri ile borsada fiyat tahmini. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 434-445. doi:10.17798/bitlisfen.571386
• Taş, A. İ., Gülüm, P., & Tulum, G. (2021). Finansal piyasalarda hisse fiyatlarının derin öğrenme ve yapay sinir ağı yöntemleri ile tahmin edilmesi; S&P 500 Endeksi Örneği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(3), 446-460. doi:10.29130/dubited.820620
• Tuna, M. (2019). Altın Fiyatlarının Yapay Sinir Ağları ve ARMA Modelleri ile Tahminlenmesi. (MSc), Aydın Adnan Menderes Üniversitesi, Sosyal Bilimler Enstitüsü, Aydın.
• Ustalı, N. K., Tosun, N., & Tosun, Ö. (2020). Makine öğrenmesi teknikleri ile hisse senedi fiyat tahmini. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(1), 1-16. doi:10.17153/oguiibf.636017
• Yakut, E., Elmas, B., & Yavuz, S. (2014). Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleymen Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157.
• Yüksel, R., & Akkoç, S. (2016). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. Doğuş Üniversitesi Dergisi, 17(1), 39-50.