Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini

Abstract

ÖzSon 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 değerleri kullanıldı. Spesifik olarakta IBM hisse senedi ile test çalışmaları yapıldı. Deneysel sonuçlar, hisse senedine ait son 5 günlük işlem verilerinin girdi olarak kullanıldığı BLSTM modeliyle yapılan eğitimin %63,54 lük bir yönsel doğruluk değerine ulaşıldığını göstermektedir. AbstractIn recent years, due to the technological advances in computer hardware and enhancements in machine learning techniques, there are two hot research areas in problem solving, the use of "Big Data" and "Parallel Processing". Many real-world problems can be solved with the use of different Deep Learning algorithms, which can be realized in parallel with multicore computing devices such as GPUs. Deep learning models show great success in applications such as classification of raw data, regression analysis and estimation in time series. One of the most active application areas of these models is "the financial market" which aims a good estimation of stock prices in the exchange market. In this paper, it is aimed to forecast the short or long term future value by looking at the previous log data of the stock on the process of change in the market. In this study, a price forecasting system was developed by using 3 different deep learning models named LSTM, GRU and BLSTM with a comparative analysis between them. The time series values of the stock were used from the New York Stock Exchange from 1968 to 2018 as a set of data to be free of speculative movements. Specifically, tests were conducted on IBM stock. Experimental results show that the directional accuracy of 63.54% was achieved with the BLSTM model where the last 5-day transaction data of the stock were used as input.

Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini

“…Derin öğrenme sınıflandırma niteliklerini ve görevlerini doğrudan veriden gerçekleştirmeyi öğrenmesi yönüyle diğer alanlarda ayrılmaktadır. Derin öğrenme modelleri, farklı ve çok sayıda sinir ağı kullanarak insan düzeyinde öğrenme ve bu seviyeyi aşan bir performans göstermektedir [23]. Geleneksel makine öğrenme metotları ve derin öğrenme yöntemleri karşılaştırıldığında geleneksel yöntemler veri işleme noktasında sınırlı kalmaktadır.…”

“…Hücre durumlarındaki değişiklikler üç kapı tarafından denetlenmektedir. Hücrelere iletilebilecek bilgilerin seçimi, bu bilgilerin çıktı olarak nasıl kullanılacağı ve ne kadarının kullanılacağı gibi seçimlerin gerçekleşmesini sağlayan kapı mekanizmalarını sisteme dahil ederek RNN'deki sorunların çözülmesine olanak tanımaktadır [23].…”

Stock Price Prediction of Turkish Banks Using Machine Learning Methods

“…They find out that the best algorithms to predict stock prices were SVR and bagging using sequential minimal optimization. Şişmanoglu and his colleagues studied price prediction in the stock market in 2020, and they used two deep learning methods: Re-current Neural Network (RNN), LSTM, and Bidirectional LSTM [8]. In the findings, they found BLSTM was superior among others.…”

Stock Closing Price Prediction with Machine Learning Algorithms: PETKM Stock Example In BIST

“…As a result of the comparison of the model they created, 54% showed that ANN is a method that can be used to predict the connection between BIST100 and Gold index [15]. Deep Learning (DL) methods, which emerged with the development of the ANN method, have started to be among the solution methods frequently used in real-life problems of financial time series, as they can learn and make sense of the data [16]. Ghosh et al [7] stated that DL methods such as Recurrent Neural Network (RNN) and Convolutional Neural Network (CNN) give successful results with multivariate financial time series.…”