KaydedilenlerDerginizi ekleyin

Dergiler / Bitlis Eren Üniversitesi Fen Bilimleri Dergisi / 2026 / Volume: 9 Issue: 1

Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini

Gözde Şişmanoğlu(İSTANBUL KÜLTÜR ÜNİVERSİTESİ)0000-0003-0284-4752
Furkan Koçer(İSTANBUL KÜLTÜR ÜNİVERSİTESİ)0000-0002-0053-2459
Mehmet Ali Önde(İSTANBUL KÜLTÜR ÜNİVERSİTESİ)0000-0001-9269-8554
Ozgur Koray Sahingoz(İSTANBUL KÜLTÜR ÜNİVERSİTESİ)0000-0002-1588-8220
Sayfa
—
Yayın Tarihi
2020-03-13
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Derin öğrenme modelleri eğitildikleri veri ile sınıflandırma, regresyon analizi ve zaman serilerinde tahmin gibi uygulamalarda büyük başarılar göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son 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.
📊
Temel Bulgular & Veri:Bu alanda amaç, pazardaki değişim süreci hakkındaki hisse senedinin önceki günlük verilerine bakarak kısa veya uzun vadeli gelecekteki değerini tahmin etmeye çalışmaktır.
💡
Sonuç & Katkı:Derin öğrenme modelleri eğitildikleri veri ile sınıflandırma, regresyon analizi ve zaman serilerinde tahmin gibi uygulamalarda büyük başarılar göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2018 Verileri
⚙️Değişkenler:Büyük veri · Makine Öğrenmesi · Derin Öğrenme

Özet

Son 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 değerlerini kullanıldı. Spesifik olarakta IBM hisse senedi ile test çalışmaları yapıldı. Deneysel sonuçlar BLSTM modelinin 5 günlük girdi verileriyle eğitilmesi ile %63,54 lük bir yönsel doğruluk değerine ulaşıldığını göstermektedir.

🔖

Bu Makaleye Atıf Yap

Şişmanoğlu, G., Koçer, F., Önde, M. A., Sahingoz, O. K. (2020). Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Volume: 9 Issue: 1. https://doi.org/10.17798/bitlisfen.571386

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (3)

  1. Cavalcante R. C., Brasileiro R. C., Souza V. L., Nobrega J. P. and Oliveira A. L., “Computational intelligence and financial markets: A survey and future directions,” Expert Systems with Applications, vol. 55, pp. 194–211, 2016.[2] Namdari A. and Li Z. S., "Integrating Fundamental and Technical Analysis of Stock Market through Multi-layer Perceptron," 2018 IEEE Technology and Engineering Management Conference (TEMSCON), Evanston, IL, 2018, pp. 1-6. doi: 10.1109/TEMSCON.2018.8488440[3] Beyaz E., Tekiner F., Zeng X. and Keane J., "Comparing Technical and Fundamental Indicators in Stock Price Forecasting," 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS), Exeter, United Kingdom, 2018, pp. 1607-1613. doi: 10.1109/HPCC/SmartCity/DSS.2018.00262[4] Chou J. and Nguyen T., "Forward Forecast of Stock Price Using Sliding-Window Metaheuristic-Optimized Machine-Learning Regression," in IEEE Transactions on Industrial Informatics, vol. 14, no. 7, pp. 3132-3142, July 2018. doi: 10.1109/TII.2018.2794389[5] Lien Minh D., A. Sadeghi-Niaraki, H. D. Huy, K. Min and H. Moon, "Deep Learning Approach for Short-Term Stock Trends Prediction Based on Two-Stream Gated Recurrent Unit Network," in IEEE Access, vol. 6, pp. 55392-55404, 2018. doi: 10.1109/ACCESS.2018.2868970[6] Trelewicz J. Q., "Big Data and Big Money: The Role of Data in the Financial Sector," in IT Professional, vol. 19, no. 3, pp. 8-10, 2017. doi: 10.1109/MITP.2017.45[7] Mohammadi M., Al-Fuqaha A., Sorour S. and Guizani M., "Deep Learning for IoT Big Data and Streaming Analytics: A Survey," in IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 2923-2960, Fourthquarter 2018. doi: 10.1109/COMST.2018.2844341[8] Korczak, J., & Hernes, M. (2017). Deep Learning for Financial Time Series Forecasting in A-Trader System. Proceedings of the 2017 Federated Conference on Computer Science and Information Systems.[9] Arévalo, A., Niño, J., Hernández, G., & Sandoval, J. (2016). High-Frequency Trading Strategy Based on Deep Neural Networks. Intelligent Computing Methodologies Lecture Notes in Computer Science,424-436.[10] Zhou, X., Pan, Z., Hu, G., Tang, S., & Zhao, C. (2018). Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets. Mathematical Problems in Engineering, Vol. 2018,1-11.[11] Ganesh, P., & Rakheja, P. (2018). Deep Neural Networks in High Frequency Trading.[12] Gudelek, M. U., Boluk S. A. and Ozbayoglu A. M., "A deep learning based stock trading model with 2-D CNN trend detection," 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, 2017, pp. 1-8. doi: 10.1109/SSCI.2017.8285188[13] Karatas, G., Demir, O., and Sahingoz, O. K. (2018). Deep Learning in Intrusion Detection Systems. 2018
  2. International Congress on Big Data, Deep Learning and Fighting Cyber Terrorism (IBIGDELFT).[14] Sahingoz, O. K., Baykal, S. I., and Bulut, D. (2018). Phishing Detection From Urls By Using Neural Networks. Computer Science & Information Technology (CS & IT) [1] Cavalcante R. C., Brasileiro R. C., Souza V. L., Nobrega J. P. and Oliveira A. L., “Computational intelligence and financial markets: A survey and future directions,” Expert Systems with Applications, vol. 55, pp. 194–211, 2016.[2] Namdari A. and Li Z. S., "Integrating Fundamental and Technical Analysis of Stock Market through Multi-layer Perceptron," 2018 IEEE Technology and Engineering Management Conference (TEMSCON), Evanston, IL, 2018, pp. 1-6. doi: 10.1109/TEMSCON.2018.8488440[3] Beyaz E., Tekiner F., Zeng X. and Keane J., "Comparing Technical and Fundamental Indicators in Stock Price Forecasting," 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS), Exeter, United Kingdom, 2018, pp. 1607-1613. doi: 10.1109/HPCC/SmartCity/DSS.2018.00262[4] Chou J. and Nguyen T., "Forward Forecast of Stock Price Using Sliding-Window Metaheuristic-Optimized Machine-Learning Regression," in IEEE Transactions on Industrial Informatics, vol. 14, no. 7, pp. 3132-3142, July 2018. doi: 10.1109/TII.2018.2794389[5] Lien Minh D., A. Sadeghi-Niaraki, H. D. Huy, K. Min and H. Moon, "Deep Learning Approach for Short-Term Stock Trends Prediction Based on Two-Stream Gated Recurrent Unit Network," in IEEE Access, vol. 6, pp. 55392-55404, 2018. doi: 10.1109/ACCESS.2018.2868970[6] Trelewicz J. Q., "Big Data and Big Money: The Role of Data in the Financial Sector," in IT Professional, vol. 19, no. 3, pp. 8-10, 2017. doi: 10.1109/MITP.2017.45[7] Mohammadi M., Al-Fuqaha A., Sorour S. and Guizani M., "Deep Learning for IoT Big Data and Streaming Analytics: A Survey," in IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 2923-2960, Fourthquarter 2018. doi: 10.1109/COMST.2018.2844341[8] Korczak, J., & Hernes, M. (2017). Deep Learning for Financial Time Series Forecasting in A-Trader System. Proceedings of the 2017 Federated Conference on Computer Science and Information Systems.[9] Arévalo, A., Niño, J., Hernández, G., & Sandoval, J. (2016). High-Frequency Trading Strategy Based on Deep Neural Networks. Intelligent Computing Methodologies Lecture Notes in Computer Science,424-436.[10] Zhou, X., Pan, Z., Hu, G., Tang, S., & Zhao, C. (2018). Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets. Mathematical Problems in Engineering, Vol. 2018,1-11.[11] Ganesh, P., & Rakheja, P. (2018). Deep Neural Networks in High Frequency Trading.[12] Gudelek, M. U., Boluk S. A. and Ozbayoglu A. M., "A deep learning based stock trading model with 2-D CNN trend detection," 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, 2017, pp. 1-8. doi: 10.1109/SSCI.2017.8285188[13] Karatas, G., Demir, O., and Sahingoz, O. K. (2018). Deep Learning in Intrusion Detection Systems. 2018
  3. International Congress on Big Data, Deep Learning and Fighting Cyber Terrorism (IBIGDELFT).[14] Sahingoz, O. K., Baykal, S. I., and Bulut, D. (2018). Phishing Detection From Urls By Using Neural Networks. Computer Science & Information Technology (CS & IT)