Finansal zaman serisi verilerini görüntülere kodlanarak top-luluk evrişimli sinir ağları yöntemi ile tahmin edilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: SHIRAZ AMADU BELLO
Danışman: Mustafa Cem Kasapbaşı
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda finansal piyasalar, örüntü tanıma araştırmalarına ilgi çekmiş ve küresel ekonomide önemli bir rol oynamıştır. Finansal piyasa tahminleri yatı-rımcılar için büyük bir değere sahiptir. Ancak finansal piyasa verilerinin yüksek oynaklığı nedeniyle, doğru tahminler için verimli ve etkili sınıflandırma araçları gerekli hale gelmiştir. Bu soruna yönelik bir popüler yaklaşım, Evrişimsel Yapay sinir Ağları (CNN'ler) gibi derin öğrenme modellerini kullanmaktır. Bu tezde, IBM hisseleri üzerinde gelecekteki eğilimleri tahmin etmek için Gra-mian Angular Fields (GAF) görüntülerini kodlayarak eğitilmiş bir CNN toplulu-ğu yöntemi önerilmektedir. Bu yöntem, her bir CNN'nin farklı zaman aralıkları-nı analiz etmesine olanak tanıyan çok çözünürlüklü bir görüntüleme stratejisi kullanmaktadır. CNN topluluğu, finansal piyasa verilerinin yüksek oynaklığını etkili bir şekilde yönetebilmektedir. Önerilen yaklaşım, basit bir ticaret sistemi kullanarak değerlendirilmiş ve so-nuçlar, belirli bir dönemde geleneksel "Al ve Tut" stratejisinden daha iyi per-formans göstermektedir. Bu iddiayı desteklemek için nicel sonuçlar sunulmak-tadır. Bu yaklaşımın geleneksel yöntemlere göre bazı avantajları vardır. Hesaplama açısından daha verimli, uygulanması daha kolay ve minimum özellik mühendis-liği gerektirir. Ayrıca, önerilen yaklaşım diğer finansal piyasa veri setlerine de uyarlanabilir, bu da onu finansal piyasa tahmini için çok yönlü bir araç haline getirir. Sonuç olarak, bu tezde, GAF görüntülerini kullanarak eğitilmiş bir CNN toplulu-ğu ile finansal piyasa tahmini için yenilikçi bir yaklaşım önerilmektedir. Çok çö-zünürlüklü görüntüleme yaklaşımı ve GAF görüntülerinin kullanımı, finansal piyasa tahmini için daha verimli ve etkili bir çözüm sunar. Bu yaklaşım, diğer finansal piyasa veri setlerine uygulanabilir ve piyasa trendlerini tahmin etmek isteyen yatırımcılar için değerli bir araç olabilir.