//
Yeni arama için tıklayınız.
 

Tez

Tarık Ziyadoğlu

İstanbul Borsasının Fiyat Hareketini Tahmin Etmek İçin Farklı Makine Öğrenme Tekniklerinin Karşılaştırılması

Comparıson Of Dıfferent Machıne Learnıng Technıques In Predıctıng The Prıce Movement Of Borsa Istanbul Stock Market

İngilizce

Yüksek Lisans

Gazi Üniversitesi

Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı

Doç. Dr. Necaattin BARIŞÇI

2018

BIST100, Tahmin, Teknik İndikatör, Karar Ağacı (DT), Rastgele Orman (RF), K- En Yakın Komşu (KNN), Destek Vektör regresyon (SVR) Çok katmanlı Perceptron (MLP), Uzun-Kısa Süreli Bellek (LSTM)

 

Borsa fiyatlarını öngörmek, piyasanın anlaşılmaması nedeniyle daima zorlu bir iştir. Bu çalışmada, BIST100 endeksinin (Borsa İstanbul; Türkiye borsasında ilk 100 şirketin endeksi) günlük dönüş hareketini tahmin etmek için çeşitli türlerde öğrenme modelleri kullanılmıştır. Algoritma olarak; Karar ağacı (DT), Rastgele Orman (RF), K-en yakın komşu (KNN), destek vektör regresyon (SVR), çok katmanlı algılayıcı (MLP) ve uzun - kısa süreli bellek (LSTM) kullanılmıştır. Kullanılan giriş özellikleri; on adet teknik gösterge, FBIST, Euro, Dolar ve altın günlük fiyatlarını içermektedir. Toplanan veriler 2014'ten 2015'e kadar yaklaşık 18 aylık BIST100 fiyatını içermektedir. RMSE bir performans ölçütü olarak kullanılmıştır. Bir sonraki gün, iki, beş ve on gün için tahmin yapılmıştır. Diğer algoritmaların SVR modelinden daha iyi performans göstermesine rağmen, sonuçlarımız diğer tüm algoritmalar üzerinde SVR modeli için istikrarlı bir performans göstermektedir.

 

Predicting the stock market prices is always a challenging task due to lack understanding of the market. In this study, several kinds of machine learning models are employed for predicting the daily return movement of the BIST100 index; the index of the top 100 companies in the “Borsa Istanbul” Turkey stock market. Our used algorithms include; decision tree (DT), Random Forest (RF), K-nearest neighbor (KNN), support vector regression (SVT), multi-layer perceptron (MLP) and long short-term memory (LSTM). The used input features include; ten selected technical indicators, FBIST, Euro, Dollar and gold daily prices. The collected data contains about 18 months of the BIST100 prices from 2014 to 2015. The RMSE has been used as a performance metric. The prediction was made for the next one, two, five and ten days. Our results show a stable performance for the SVR model over all the other algorithms although other algorithms outperformed the SVR model.