SavedAdd your journal

Journals / Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi / 2022 / Cilt: 15 - Sayı: 1

Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli

Zinnet Duygu AKŞEHİR
Erdal KILIÇ
Pages
6–13
Publication Date
2022-06-27
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Ayrıca önerilen bu yaklaşımın, modelin tahmin performansını literatürdeki aynı amaçla önerilen Chen ve Huang’ın yaklaşımından daha fazla iyileştirdiği gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada literatürdeki borsa tahmini kapsamında son yıllarda yapılan çalışmalar detaylı bir şekilde incelenmiştir.
📊
Key Findings & Data:Bu kapsamda Dow30 endeksinde yer alan hisse senetlerinin bir gün sonraki pozisyonunu (al, sat, tut) tahmin etmek için 2D-CNN tabanlı bir model kullanılmıştır.
💡
Conclusion & Impact:Ayrıca önerilen bu yaklaşımın, modelin tahmin performansını literatürdeki aynı amaçla önerilen Chen ve Huang’ın yaklaşımından daha fazla iyileştirdiği gözlemlenmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Hisse senedi tahmini · Evrişimsel sinir ağları · Etiketleme

Özet

Bu çalışmada literatürdeki borsa tahmini kapsamında son yıllarda yapılan çalışmalar detaylı bir şekilde incelenmiştir. İncelenen çalışmalar doğrultusunda evrişimsel sinir ağları (CNN) modelinin borsa tahmini alanına uyarlandığı ve başarılı sonuçlar verdiği gözlemlenmiştir. Bu kapsamda Dow30 endeksinde yer alan hisse senetlerinin bir gün sonraki pozisyonunu (al, sat, tut) tahmin etmek için 2D-CNN tabanlı bir model kullanılmıştır. Bu model için hisse senedi kapanış fiyatları, teknik göstergeler, altın fiyatı, altın oynaklık endeksi, petrol fiyatı ve petrol oynaklık endeksi verileri kullanılarak görüntü tabanlı girdi değişken kümesi oluşturulmuştur. Ayrıca bu çalışmada veri dengesizliği problemini çözmek için yeni bir kural tabanlı etiketleme algoritması önerilmiş ve buna ek olarak elde edilen görüntüler üzerinde döndürme işlemi gerçekleştirilmiştir. Kaydırmalı eğitim-test yaklaşımını kullanan CNN modelinin tahmin performansı literatürdeki diğer çalışmalarla kıyaslanmıştır. Deney sonuçları, veri dengesizliği problemini gidermek için önerilen yaklaşımın CNN modeli ile birlikte kullanıldığında diğer CNN tabanlı çalışmalardan daha yüksek başarı sağladığını göstermiştir. Ayrıca önerilen bu yaklaşımın, modelin tahmin performansını literatürdeki aynı amaçla önerilen Chen ve Huang’ın yaklaşımından daha fazla iyileştirdiği gözlemlenmiştir.

🔖

Cite This Article

AKŞEHİR, Z. D., KILIÇ, E. (2022). Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, Cilt: 15 - Sayı: 1, 6–13. https://ajindex.com/articles/812034

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Fama, E. F. Random Walks in Stock Market Prices, Financial Analysts Journal, 1995, 51(1), pp. 75-80.
  2. Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. Predicting Direction of Stock Price Index Movement Using Artificial Neural Networks and Support Vector Machines: The Sample of The Istanbul Stock Exchange, Expert Systems with Applications, 2011, 38(5), pp. 5311-5319.
  3. Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. Stock Price Prediction Using LSTM, RNN and CNN-Sliding Window Model, In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1643-1647.
  4. IEEE. Tekin, S., & Çanakoğlu, E. Analysis of Price Models in Istanbul Stock Exchange, In 2019 27th Signal Processing and Communications Applications Conference (SIU), 2019, pp. 1-4.
  5. IEEE. Unal, B., & Aladag, C. H. Stock Exchange Prediction via Long Short-Term Memory Networks, Proceedings Book, 2019, 246. Parmar, I., Agarwal, N., Saxena, S., Arora, R., Gupta, S., Dhiman, H., & Chouhan, L. Stock Market Prediction Using Machine Learning, In 2018 First International Conference on Secure Cyber Computing and Communication (ICSCCC), 2018, pp. 574-576.
  6. IEEE. Vijh, M., Chandola, D., Tikkiwal, V. A., & Kumar, A. Stock Closing Price Prediction Using Machine Learning Techniques, Procedia Computer Science, 2020, 167, pp. 599-606.
  7. Du, J., Liu, Q., Chen, K., & Wang, J. Forecasting Stock Prices in Two Ways Based on LSTM Neural Network, In 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 2019, pp. 1083-1086.
  8. IEEE. Alhazbi, S., Said, A. B., & Al-Maadid, A. Using Deep Learning to Predict Stock Movements Direction in Emerging Markets: The Case of Qatar Stock Exchange, In 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT), 2020, pp. 440-444.
  9. IEEE. Sezer, O. B., & Ozbayoglu, A. M. Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach, Applied Soft Computing, 2018, 70, pp. 525-538.
  10. Sim, H. S., Kim, H. I., & Ahn, J. J. Is Deep Learning for Image Recognition Applicable to Stock Market Prediction?, Complexity, 2019.
  11. Thakkar, A., & Chaudhari, K. A Comprehensive Survey on Deep Neural Networks for Stock Market: The Need, Challenges, and Future Directions, Expert Systems with Applications, 2021, 177, 114800. Chen, Y. C., & Huang, W. C. Constructing A Stock-Price Forecast CNN Model with Gold and Crude Oil Indicator