AI Summary & Key Takeaways
AI InsightAt the same time, it was observed that the PCA+LSTM hybrid model improved the results of the LSTM model alone by 4.60% and 13.35% for R2 and RMSE, respectively.
📌 3 Key Takeaways
Abstract
With the recent development in technology, the use of deep learning methods in many fields has gained momentum. One of the most popular of these areas is financial markets. The estimations and analyzes performed on financial data, where many inputs are effective, have great importance on the decision-making mechanisms of investors and institutional structures. In the study, Borsa Istanbul 100 (BIST100) index is tried to be estimated with a deep learning network. In addition, the effect of the use of statistical dimension reduction methods such as Factor Analysis (FA), Principal Component Analysis (PCA), Independent Component Analysis (ICA) in the data preprocessing stage on Long Short Term Memory (LSTM) deep learning network performance is investigated. The data set used during the experiments; is prepared based on daily historical data and technical analysis information of the BIST100 index. In the data preprocessing stage, the models created from the statistical dimension reduction methods added to the deep learning network were compared over the R2 and RMSE criteria while trying to predict the price at the end of 5-days. During these processes, parameters other than deep learning hyper-parameters, which are thought to affect the performance of technical indicators and forecasting models, were tried to be improved. Accordingly, the PCA+LSTM hybrid model outperformed the hybrid models created by the other, dimensional reduction methods and achieved more competitive results. At the same time, it was observed that the PCA+LSTM hybrid model improved the results of the LSTM model alone by 4.60% and 13.35% for R2 and RMSE, respectively.
Özet
Son dönemde teknolojide gözlenen gelişim ile birlikte derin öğrenme yöntemlerinin çok farklı alanlarda kullanımı da hız kazanmıştır. Bu alanların en popülerlerinden biri de finansal piyasalardır. Birçok girdinin etken olduğu finansal veriler üzerinde gerçekleştirilen tahmin ve analizlerin, yatırımcıların ve kurumsal yapıların karar alma mekanizmalarına yardımcı etkisi büyük öneme sahiptir. Çalışmada bir derin öğrenme ağı ile Borsa İstanbul 100 (BIST100) endeksi tahmin edilmeye çalışılmaktadır. Ayrıca veri ön işleme aşamasında Faktör Analizi (FA), Temel Bileşen Analizi (PCA), Bağımsız Bileşen Analizi (ICA) gibi istatistiksel boyut indirgeme yöntemlerin kullanımının, Uzun Kısa Süreli Bellek (LSTM) derin öğrenme ağı performansına olan etkisi araştırılmaktadır. Deneyler esnasında kullanılan veri seti; BIST100 endeksine ait günlük geçmiş verilere ve teknik analiz bilgilerine dayalı olarak hazırlanmaktadır. Veri ön işleme aşamasında, derin öğrenme ağına eklenen istatistiksel boyut indirgeme yöntemlerinden oluşturulan modeller, 5 gün sonraki fiyatı tahmin etmeye çalışırken, R2 ve RMSE ölçütleri üzerinden karşılaştırılmıştır. Bu işlemler sırasında derin öğrenme hiper-parametreleri dışında kalan, teknik göstergelerin ve tahmin modelinin performansını etkiyeceği düşünülen parametreler iyileştirilmeye çalışılmıştır. Buna göre PCA+LSTM hibrit modeli, diğer boyut indirgeme yöntemleri ile oluşturulan hibrit modelleri geride bırakarak daha rekabetçi sonuçlar elde etmiştir. Aynı zamanda PCA+LSTM hibrit modelinin, LSTM modelinin tek başına elde ettiği sonuçları, R2 ve RMSE için sırası ile %4.60 ve %13.35 oranlarında iyileştirdiği görülmüştür.