Makine Öğrenmesi Teknikleri İle Hisse Senedi Fiyat Tahmini

Ustali, Nesrin Koç; Tosun, Nedret; Tosun, Ömür

doi:10.17153/oguiibf.636017

Cited by 12 publications

(5 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…It was reported that the prediction accuracy values for the 5-day input were 57.52%, 52.17%, and 63.54% for LSTM, GRU, and BLSTM, respectively. Ustalı et al (2020) aimed to predict the future prices of the stocks of the companies traded in the XU 30 index using Artificial Neural Networks, Random Forest Algorithm, and XGBoost Algorithm. The quarterly average of the monthly closing prices between 31.01.2010 and 31.12.2019 was used as the data set.…”

Section: Literaturementioning

confidence: 99%

Finansal Zaman Serilerinin Derin Öğrenme Algoritmaları ile Tahminlenmesi

PAMUKÇU,

AYGÜL,

UĞURLU

2023

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi

View full text Add to dashboard Cite

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 has an accuracy 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.

show abstract

Section: Literaturementioning

confidence: 99%

Finansal Zaman Serilerinin Derin Öğrenme Algoritmaları ile Tahminlenmesi

PAMUKÇU,

AYGÜL,

UĞURLU

2023

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi

View full text Add to dashboard Cite

show abstract

“…Yani veri seti rassal küçük gruplara ayrılarak karar ağaçları oluşturulur. Tahminleme veya sınıflandırma aşamalarında veri setinden oluşturulan karar ağaçlarının tahminlerinin ortalaması alınır [2].…”

Section: Randomforest(ro)unclassified

Hiperparemetreleri Ayarlanmış Makine Öğrenmesi Yöntemleri Kullanılarak Ağdaki Saldırıların Tespiti

Doğan¹,

Bakour²

2023

ICPIS

View full text Add to dashboard Cite

Bilişim teknolojilerinde yaşanan hızlı gelişmeler her geçen gün bilgisayar ve internet kullanan kişisayısını artırmaktadır. Teknolojide yaşanan yeni gelişmelerle birlikte internet kullanıcıları, bilgisayar veyaağ yapılarında güvenlik açığı olmasından dolayı çeşitli güvenlik tehditleri ile karşı karşıya gelmektedir.Bazı kötü niyetli internet kullanıcılarının veya bilgisayar korsanlarının yaptıkları saldırı denemelerisonucunda ağ üzerinde bulunan sistemlere izinsiz girişlerin tespit edildiği gözlemlenmektedir. Maruzkalınan izinsiz girişlerin engellenmesi için internet kullanıcıları Saldırı Tespit Sistemleri, antivirüs ve trojantespit etme ve engelleme programları kullanmaktadırlar. Bu amaçla son yıllarda, saldırıların tespit edilmesiiçin makine öğrenmesi algoritmalarının kullanımı bir hayli artmıştır. Bu çalışmada ağdaki trafiğin saldırıolup olmadığının tespiti için ikili sınıflandırma yapılmış olup saldırı olarak sınıflandırılan trafik, saldırıtürlerine göre sınıflandırılmıştır. Bu çalışmada, Saldırı Tespit Sistemleri’nde sıkça kullanılan verisetlerinden biri olan Kaggle platformundan alınan NSL- KDD veri seti kullanılmıştır. Veri seti üzerinetopluluk öğrenme algoritmalarından RandomForest, DecisionTree, ExtremeGradientBoosting(XgBoosting), GradientBoosting, KNN ve Bagging uygulanmış ve analizi yapılmıştır. Çalışmada YapaySinir Ağları algoritmaları ile hiperparametre optimizasyonu gerçekleştirilerek multi-class sınıflandırma dadenenmiştir. Yüksek doğruluk elde edilmesine karşın klasik makine öğrenmesi metotlarından daha düşüksonuçlar elde edilmiştir. Makine öğrenmesi algoritmalarıyla elde edilen başarılı sonuçlar sayesinde SaldırıTespit Sistemleri üzerinde iyileştirmeler ve düzenlemelere gidilebilir.

show abstract

“…In recent years, there has been an increase in the number of approaches based on machine learning for popular financial assets such as the Bist100 index, BTC, gram gold, dollar, and brent oil [21][22][23][24][25][26][27][28][29].…”

Section: Experimental Studies For Bist100 Index Btc Gold Dollar and B...mentioning

confidence: 99%

A New Algorithmic Trading Approach Based on Ensemble Learning and Candlestick Pattern Recognition in Financial Assets

AYCEL

SANTUR

2022

Turkish Journal of Science and Technology

View full text Add to dashboard Cite

Financial assets considered as time series are chaotic in nature. The main goal of investors is to take a position at the right time and in the right direction by making predictions about the future on this chaotic series. These time series consist of the opening, low, high and closing price of a certain period. The approaches used to make predictions about trend direction and strength using moving averages and indicators based on them have noise and lag problems as they are obtained statistically. Candlestick charts, on the other hand, reflect the price-based psychology of bear and bull investors, as well as facilitating the interpretation of price movements by consolidating the said opening, closing, lowest and highest prices in a single image. It is known that it was applied to Japanese rice markets for the first time in history and there are 100+ candle patterns. In this study, an extensible architecture software framework using factory pattern and object-oriented approach is proposed for defining candlestick patterns and developing intelligent learning algorithms based on them. The proposed software framework can also be used in the development of new robotic approaches in terms of being applicable to all kinds of financial assets in every period.

show abstract

Makine Öğrenmesi Teknikleri İle Hisse Senedi Fiyat Tahmini

Cited by 12 publications

References 15 publications

Finansal Zaman Serilerinin Derin Öğrenme Algoritmaları ile Tahminlenmesi

Finansal Zaman Serilerinin Derin Öğrenme Algoritmaları ile Tahminlenmesi

Hiperparemetreleri Ayarlanmış Makine Öğrenmesi Yöntemleri Kullanılarak Ağdaki Saldırıların Tespiti

A New Algorithmic Trading Approach Based on Ensemble Learning and Candlestick Pattern Recognition in Financial Assets

Contact Info

Product

Resources

About