Escalate the Returns With ML-Based Technical Analysis: Next Day Closing Price Prediction Using RNN and LSTM Models

Mahajan, S.; Anand, Sathya; Sarangi, Pradeepta Kumar; Sahoo, Ashok Kumar

doi:10.1109/icacite57410.2023.10183313

Search citation statements

Order By: Relevance

Paper Sections

Select...

Citation Types

Supporting

Mentioning

Contrasting

Year Published

2024

Publication Types

Select...

Other1

Article1

Relationship

Self Cite0

Independent2

Authors

Journals

Cited by 2 publications

References 11 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

Stock price prediction and comparative analysis using RNN, LSTM and ARIMA

2024

AIP Conference Proceedings

View full text Add to dashboard Cite

Stock price prediction and comparative analysis using RNN, LSTM and ARIMA

2024

AIP Conference Proceedings

View full text Add to dashboard Cite

Bankacılık Sektörüne Derin Öğrenme Yöntemiyle Bakış: BİST Banka Endeksi Hareket Yönlerinin Tahmini

Ayyıldız

2024

İnsan Ve Toplum Bilimleri Araştırmaları Dergisi

View full text Add to dashboard Cite

Finansal sistemdeki temel oyuncular olan bankalar, ekonominin sağlıklı işlemesinde kritik bir rol oynamaktadırlar. Banka endeksleri ise, genellikle bir ülkenin finansal sektöründeki performansı yansıtarak ekonomik sağlığın bir göstergesi olarak kabul edilmektedir. BIST Banka Endeksi, Türkiye'nin önde gelen banka hisselerini içeren bir endeks olup, bankacılık sektörünün performansını temsil etmektedir. Diğer yandan, hisse senedi fiyatlarının tahmin edilebilirliği, genellikle karmaşık ve değişken faktörlerle etkilenen bir konudur. Finansal piyasalarda tahmin amacıyla kullanılan temel analiz ve teknik analiz gibi geleneksel yöntemlere ek olarak, son dönemde çok sayıda makine öğrenimi yöntemi geliştirilmiştir. Makine öğrenimi yöntemleri, finansal serilerin doğrusal ve durağan olmayan özelliklerini ele alarak doğru tahminler yapabilmektedir. Tahmin uygulamalarındaki başarısı ile ön plana çıkan derin öğrenme yöntemi ise, büyük veri setlerini etkili bir şekilde işleyerek doğrusal olmayan ilişkileri belirlemekte ve yüksek doğrulukla çıkarım yapabilmektedir. Bu çalışmanın amacı, Türkiye'nin önde gelen banka hisselerini içeren BIST Banka Endeksi’nin hareket yönlerinin derin öğrenme yöntemi ile tahmin edilmesidir. Analizde, BIST Banka Endeksi'nin 01.01.2013-31.12.2023 dönemindeki haftalık kapanış değerleriyle birlikte, yine haftalık bazda elde edilen mevduat ve kredi faiz oranları, gecelik faiz oranları, mevduat ve kredi hacimleri, bankacılık sektörü aktif toplamı, döviz kurları (Dolar ve Euro) ve BIST 100 endeksi kapanış değerleri girdi verisi olarak kullanılmıştır. Her bir girdi değişkeni için 574 haftalık veri elde edilmiş olup toplam 5.740 adet veri analizde kullanılmıştır. Gerçekleştirilen analiz sonucunda, derin öğrenme yöntemi ile BIST Banka Endeksi’nin hareket yönleri %88,70 doğrulukta tahmin edilmiştir. Elde edilen bulgular, derin öğrenme yöntemi kullanılarak banka endeks hareket yönlerinin belirli bir seviyede doğru tahmin edilebileceğini göstermektedir.

show abstract

Escalate the Returns With ML-Based Technical Analysis: Next Day Closing Price Prediction Using RNN and LSTM Models

Cited by 2 publications

References 11 publications

Stock price prediction and comparative analysis using RNN, LSTM and ARIMA

Stock price prediction and comparative analysis using RNN, LSTM and ARIMA

Bankacılık Sektörüne Derin Öğrenme Yöntemiyle Bakış: BİST Banka Endeksi Hareket Yönlerinin Tahmini

Contact Info

Product

Resources

About