Borsa tahmininde derin öğrenme tabanlı yenilikçi modeller

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: ZİNNET DUYGU AKŞEHİR

Danışman: Erdal Kılıç

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Borsa tahmini, finansal piyasalardaki karmaşık dinamiklerin ve değişkenliklerin anlaşılması açısından büyük bir öneme sahiptir. Gelişen teknolojiler, yatırımcılar, finansal analistler ve araştırmacılara geçmiş verilere dayalı tahminler yaparak daha bilinçli kararlar almaları için olanak sağlamaktadır. Ancak bu süreç, geleneksel yöntemlerin ötesine geçerek derin öğrenme gibi yenilikçi yaklaşımlar gerektirmektedir. Bu tezde, borsa tahminine yönelik mevcut yöntemler ve karşılaşılan zorluklar detaylı bir şekilde incelenmiştir. Bu zorluklar, finansal verilerdeki gürültü, veri dengesizliği, öznitelik seçimi, modelleme süreci ve tahmin modelinin finansal açıdan değerlendirilmesi gibi çeşitli sorunları içermekte ve her biri tahmin doğruluğunu etkileyen kritik unsurlar olarak öne çıkmaktadır. Gürültü, doğru analiz ve tahminleri zorlaştırarak modelin güvenilirliğini olumsuz yönde etkileyebilirken, veri dengesizliği, belirli sınıfların yetersiz temsil edilmesine yol açarak sonuçların yanıltıcı olmasına neden olmaktadır. Öznitelik seçimi, model performansında kritik olup yanlış öznitelikler, genelleme yeteneğini azaltabilir. Modelleme sürecinde ise uygun algoritmaların ve yapıların seçilmesi gerekmektedir. Bu zorlukları aşmak amacıyla, her bir zorluğa özgü yenilikçi yaklaşımlar ve çözümler geliştirilmiştir. Geliştirilen yöntemler arasında, iki seviyeli ayrıştırma ve entropi oranı tabanlı gürültü giderme yaklaşımları (2LE-CEEMDAN ve 2LE-ICEEMDAN); kural tabanlı etiketleme algoritması ve PLR tabanlı finansal değerlendirme yöntemleri bulunmaktadır. Bunun yanı sıra, literatürde mevcut olan Boruta ve XGBoost öznitelik seçim yaklaşımlarının tahmin modeli üzerindeki etkileri de incelenmiştir. Bu yenilikçi yöntemler kullanılarak borsa endeksi ve hisse senetlerinin bir gün sonraki kapanış fiyatı ile ticaret eylemini tahmin etmek amacıyla beş farklı tahmin modeli önerilmiştir. Bunlar, 2D-CNN tabanlı tahmin modeli, 2LE-CEEMDAN-LSTM-SVR, ICE2DE-MDL, ICE2DE-BO-DL ve XGBLSTM tahmin modelleridir. Önerilen modeller, borsa tahmininin karmaşık dinamiklerini ele alırken, literatürdeki güncel çalışmalara istatistiksel metrikler (MAE, MAPE, RMSE, R-kare) açısından belirgin bir üstünlük göstermektedir. Ayrıca, PLR tabanlı finansal değerlendirme yaklaşımı, tahmin sonuçlarının finansal açıdan daha anlamlı ve uygulanabilir hale gelmesine katkı sağlamaktadır. Bu bağlamda, tez kapsamında geliştirilen yenilikçi yaklaşımlar, model performansı üzerindeki olumlu etkilerini net bir şekilde ortaya koyarak, borsa tahmini alanında daha etkili ve güvenilir sonuçlar elde edilmesini sağlamaktadır.