Yazar
Pekşen, Deniz
Basım Tarihi
2024-08-30T16:27:03Z
Konu
Derin öğrenme (Makine öğrenimi), Hisse Senetleri, Veri işleme, Fiyatlar, Matematiksel modeller, Hisse senedi fiyat tahmini, Makine öğrenimi, Yatırım analizi, Yazılım., Endüstri mühendisliği
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
b174fe73-e53f-4228-b866-a35cd7a1b60b
Lokasyon
Endüstri Mühendisliği Bölümü
Tarih
2024-08-30T16:27:03Z
Örnek Metin
Bu tez, hisse senedi kapanış fiyatının trend hareketini tahmin etmeyi ve tahminlerden yararlanarak yatırım portföyünü maksimuma çıkarmayı amaçlamaktadır. Bu bağlamda çalışma, Lojistik Regresyon, Gradient Boosting ve Rastgele Orman Yöntemleri kullanılarak oluşturulan modellerden bir hisse senedi portföy stratejisi tanımlamayı amaçlamaktadır. Son zamanlarda makine öğrenmesi temelli kararlarla oluşturulan yatırım stratejileriyle hisse senedi fiyatlarının trendini tahmin etmek, alım-satım kararlarının alınmasında ve getiri elde edilmesinde önemli bir rol kazanmıştır. Literatürde sermaye piyasalarında hisse senedi fiyatlarının makine öğrenmesi yöntemleri kullanılarak tahmin edilmesine yönelik pek çok çalışma bulunmaktadır ancak bunların çoğu fiyat eğiliminin yönü yerine kapanış fiyatlarına odaklanmaktadır. Çalışmamız hedef tanımı açısından literatürden farklılık göstermektedir. Hedef tanımımız önümüzdeki 20 işlem günündeki piyasa trendine odaklanan bir sınıflandırma problemidir. Eğilimin yönünü tahmin etmek için eğitim için on dört yıllık veriler kullanıldı. Doğrulama için takip eden üç yıl kullanıldı. Son olarak test için son üç yıl kullanıldı. Eğitim verileri 2002-06-18 ile 2016-12-30 tarihleri arasındadır. Doğrulama verileri 2017-01-02 ile 2019-12-31 arasındadır. Test verileri 2020-01-02 ile 2022-03-17 tarihleri arasındadır. Elde Hisse Senedi Portföyünü, En İyi Hisse Senedi Portföyünü ve USD-TRY Döviz kurunu aşmamız gereken kriterler olarak belirliyoruz. Makine öğrenimi bazlı portföy test getirisi verilerimizi, Hisse Senedi Getirisi, En İyi Hisse Senedi Portföyü ve USD-TRY Döviz kuruyla karşılaştırdık. Model performansımızı roc-auc skoru ve kaldırma grafikleri yardımıyla değerlendirdik. Çalışmamızda hiper parametrelere ince ayar yapmak için lojistik regresyon, Gradient Boosting ve Random Fores'u ızgara arama yaklaşımıyla kullanıyoruz. Ampirik çalışma sonucunda beş hisse senedinin yükseliş ve düşüş trendinin varlığı modeller tarafından tahmin edilememiştir. Model bazlı portföy oluşturmak amacıyla alım satım kararlarını tanımlamak için bu tahminleri kullandığımızda, model bazlı portföy test veri setinde başarısız oluyor. Model bazlı alış ve satış kararlarının, test veri seti üzerinde getirileri model olmayan portföy stratejilerinden daha iyi performans gösteremeyen bir hisse senedi portföy stratejisi oluşturduğu tespit edilmiştir. Bu yetenek, calışmanın amacı lojistik regresyon, gradyan artırma ve rastgele orman yöntemlerini kullanarak büyüme makine öğrenmesi modelinin tahminlerini kullanarak his kayıt portföyü oluşturmaktır. Son zamanlarda, hisse senetlerinin fiyatının trendini tahmin etmek, makine öğrenmesi bol kararlarla yatırım değişiklikleri ile alım satım kararlarının saklanmasında ve geri alma elde edilmesinde önemli bir rol kazandı. Literatürde sermaye piyasalarında hisse senedi fiyatlarının makine öğrenmesi yöntemleri, tahmin edilmeye yönelik çok sayıda çalışma bulunmaktadır ancak bunların çoğu fiyat trendinin bakış açısı yerine devam eden fiyatlara odaklanmaktadır. Çalışmamızın hedef tanımı acısından literatürden farklılık göstermektedir. Hedef tanımımız, önümüzdeki 20 işlem gününde ortaya çıkacak trende odaklanan bir problemdir. Eğitim yönünü tahmin etmek için eğitim yani eğitim için dört yıllık veri kaydedildi. 3 yıllık veri doğrulama, sonraki 3 yıllık veri testi için kaydedildi. Eğitim verileri 2002-06-18 ile 2016-12-30 arasında yer almaktadır. Validasyon verileri 2017-01-02 ile 2019-12-31 arasındadır. Test verileri 2020-01-02 ile 2022-03-17 arasında yer almaktadır. Elde Tutma Hisse Senedi Portföyü, TL Vadeli Mevduat Hesabı ve USD-TRY Doviz kurunu daha iyi performans göstermemiz gerekenler olarak belirlendik. Test parasındaki makine yapılandırmai merkezli portföy getirisini, Elde Tutma Hisse Portföyü, TL Vadeli Mevduat Hesabı ve USD-TRY Doviz kuru getirisi ile karşılaştırdık. Model performanslarını Roc skor ve Lift grafikleri ile değerlendirdik. Çalışmamızda, lojistik regresyon, gradyan artırma ve rastgele orman yöntemlerini kullandık ve validasyon datasında en yüksek roc skorunu elde eden model şemasını kullandık. Izgara araması için model seçimi hiperparametre ayarlaması. Çalışma sonucunda seçmiş olduğumuz beş hisse senedinin düşüş ve düşüş trendinin varlığı modeller ile tahmin edilememiştir. Model tabanındaki listeyi oluşturmak amacıyla alım satış kararlarını göstermek için model tahminlerini cebinde, model tabanlı portföy test veri setinde başarısız olmuştur. Model alım satım kararlarının ortaya çıkardığı portföy seçenekleri, test veri setinde modelden bağımsız portföylerin değerlerine geçememiştir.
