بازگشت به جستجو

پیش بینی روند سهام و بهینه سازی پرتفوی

عنوان	پیش بینی روند سهام و بهینه سازی پرتفوی
نویسنده	پکشن، دنیز
تاریخ انتشار:	2024-08-30T16:27:03Z
موضوع	یادگیری عمیق (یادگیری ماشین)، سهام، پردازش داده ها، قیمت ها، مدل های ریاضی، پیش بینی قیمت سهام، یادگیری ماشین، تجزیه و تحلیل سرمایه گذاری، نرم افزار، مهندسی صنایع
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	b174fe73-e53f-4228-b866-a35cd7a1b60b
محل کتابخانه	گروه مهندسی صنایع
تاریخ	2024-08-30T16:27:03Z
متن نمونه	هدف این پایان نامه پیش بینی حرکت روند قیمت بسته شدن سهام و به حداکثر رساندن پرتفوی سرمایه گذاری با استفاده از پیش بینی ها است. در این زمینه، هدف این مطالعه تعریف یک استراتژی سبد سهام از مدل‌های ایجاد شده با استفاده از روش‌های رگرسیون لجستیک، افزایش گرادیان و روش‌های جنگل تصادفی است. اخیراً پیش‌بینی روند قیمت سهام نقش مهمی در تصمیم‌گیری خرید و فروش و ایجاد بازده با استراتژی‌های سرمایه‌گذاری که توسط تصمیمات مبتنی بر یادگیری ماشین شکل می‌گیرد، یافته است. مطالعات زیادی در ادبیات پیش‌بینی قیمت سهام در بازارهای سرمایه با استفاده از روش‌های یادگیری ماشینی وجود دارد، اما بیشتر آنها به جای جهت‌گیری روند قیمت، بر قیمت‌های بسته شدن تمرکز دارند. مطالعه ما از نظر تعریف هدف با ادبیات متفاوت است. تعریف هدف ما یک مشکل طبقه بندی است که بر روند بازار در 20 روز معاملاتی آینده تمرکز دارد. برای پیش‌بینی جهت روند، از داده‌های چهارده ساله برای آموزش استفاده شد. سه سال بعد برای اعتبارسنجی استفاده شد. در نهایت از سه سال گذشته برای آزمایش استفاده شد. داده های آموزشی بین 2002-06-18 و 2016-12-30 می باشد. داده های اعتبارسنجی بین 02-01-2017 و 2019-12-31 است. داده های آزمایش بین 02-01-2020 و 2022-03-17 است. ما سبد سهام نگهدارنده، بهترین سبد سهام و نرخ مبادله USD-TRY را به عنوان معیارهایی تعیین می کنیم که باید از آنها بهتر عمل کنیم. ما بازده پورتفولیوی مبتنی بر یادگیری ماشین خود را بر اساس داده های آزمایشی با بازده نمونه کارها سهام، بهترین سبد سهام و نرخ مبادله USD-TRY مقایسه کردیم. ما عملکرد مدل خود را با کمک نمودارهای امتیازی roc-auc و لیفت ارزیابی کردیم. در مطالعه ما، ما از رگرسیون لجستیک، تقویت گرادیان و فورس تصادفی با رویکرد جستجوی شبکه‌ای برای تنظیم دقیق فراپارامترها استفاده می‌کنیم. در نتیجه مطالعه تجربی، وجود روند صعودی و نزولی پنج سهم توسط مدل ها قابل پیش بینی نبود. وقتی از این پیش‌بینی‌ها برای تعریف تصمیمات خرید و فروش به منظور تولید نمونه کارها مبتنی بر مدل استفاده می‌کنیم، نمونه کارها مبتنی بر مدل در مجموعه داده‌های آزمایشی شکست می‌خورد. مشخص شد که تصمیمات خرید و فروش مبتنی بر مدل یک استراتژی سبد سهام ایجاد می‌کند که بازده آن نمی‌تواند از استراتژی‌های سبد غیرمدل در مجموعه داده‌های آزمایشی بهتر عمل کند. maksimuma getirmektir. Bu kapsamda، calışmanın amacı lojistik regresyon، تقویت گرادیان و روش جنگل تصادفی kullanarak yaratılan makine öğrenmesi modelinin tahminlerini kullanarak hisse senedi portföyü oluşturmaktır. سون زامانلاردا، هیسه سندی فیاتینین ترندینی تهمین اتمک، ماکینه اوغرنمسی تملی کارارلارلا اولوشتورولان یاتیریم استراتژیلری ایلیم ساتیم کارارلارین آلینماسیندا و گتیری الده ادیلمسینده اونملی بیر رول. Literatürde sermaye piyasalarında hisse senedi fiyatlarının Makine öğrenmesi yöntemleri kullanılarak tahmin edilmesine yönelik çok sayıda çalışma bulunmaktadır ancak bunların çoğu fiyat trendinrine yönelik odaklanmaktadır. Çalışmamız hedef tanımı acısından literatürden farklılık göstermektedir. Hedef tanımımız, önümüzdeki 20 işlem günündeki oluşacak trende odaklanan bir sınıflandırma problemidir. Eğilim yönünü tahmin etmek için آموزش یانی اغیتیم ایچین on dört yıllık veri kullanıldı. 3 yıllık veri validasyon, sonraki 3 yıllık veri test için kullanıldı. Eğitim datası 2002-06-18 ile 2016-12-30 arasındadır. Validasyon datası 2017-01-02 ile 2019-12-31 arasındadır. داده های آزمایشی 2020-01-02 ile 2022-03-17 arasındadır. Elde Tutma Hisse Senedi Portföyü, TL Vadeli Mevduat Hesabı ve USD-TRY Doviz kurunu daha iyi performans göstermemiz gereken kriterler olarak belirledik. تست verilerindeki makine öğrenimi bazlı portföy getirisini, Elde Tutma Hisse Portföyü, TL Vadeli Mevduat Hesabı ve USD-TRY Doviz kuru getirisi ile karşılaştırdık. Model performanslarını Roc skor ve Lift grafik ile değerlendirdik. Çalışmamızda، lojistik regresyon، تقویت گرادیان و روش جنگل تصادفی. مدل seçiminde hyperparameter tuning için grid search kullanıldı. چالیشما سونوکوندا سچمیش اولدوغوموز بش هیس سندینین یوکسلیش و دوشوش ترندینین وارلیگی مدلر ایله تهمین ادیلمیمیشتر. مدل tabanlı portföy oluşturmak amacıyla alım satım kararlarını tanımlamak için مدل tahminlerini kullandığımızda, model tabanlı portföy test veri setinde başarısız olmuştur. مدل tabanlı alım satım kararlarının meydana getirdiği portföy stratejisi, test veri setinde model bağımsız portföylerin getiri değerlerini geçememiştir.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

پیش بینی روند سهام و بهینه سازی پرتفوی

نویسنده پکشن، دنیز

تاریخ انتشار 2024-08-30T16:27:03Z

موضوع یادگیری عمیق (یادگیری ماشین)، سهام، پردازش داده ها، قیمت ها، مدل های ریاضی، پیش بینی قیمت سهام، یادگیری ماشین، تجزیه و تحلیل سرمایه گذاری، نرم افزار، مهندسی صنایع

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت b174fe73-e53f-4228-b866-a35cd7a1b60b

محل کتابخانه گروه مهندسی صنایع

تاریخ 2024-08-30T16:27:03Z

متن نمونه هدف این پایان نامه پیش بینی حرکت روند قیمت بسته شدن سهام و به حداکثر رساندن پرتفوی سرمایه گذاری با استفاده از پیش بینی ها است. در این زمینه، هدف این مطالعه تعریف یک استراتژی سبد سهام از مدل‌های ایجاد شده با استفاده از روش‌های رگرسیون لجستیک، افزایش گرادیان و روش‌های جنگل تصادفی است. اخیراً پیش‌بینی روند قیمت سهام نقش مهمی در تصمیم‌گیری خرید و فروش و ایجاد بازده با استراتژی‌های سرمایه‌گذاری که توسط تصمیمات مبتنی بر یادگیری ماشین شکل می‌گیرد، یافته است. مطالعات زیادی در ادبیات پیش‌بینی قیمت سهام در بازارهای سرمایه با استفاده از روش‌های یادگیری ماشینی وجود دارد، اما بیشتر آنها به جای جهت‌گیری روند قیمت، بر قیمت‌های بسته شدن تمرکز دارند. مطالعه ما از نظر تعریف هدف با ادبیات متفاوت است. تعریف هدف ما یک مشکل طبقه بندی است که بر روند بازار در 20 روز معاملاتی آینده تمرکز دارد. برای پیش‌بینی جهت روند، از داده‌های چهارده ساله برای آموزش استفاده شد. سه سال بعد برای اعتبارسنجی استفاده شد. در نهایت از سه سال گذشته برای آزمایش استفاده شد. داده های آموزشی بین 2002-06-18 و 2016-12-30 می باشد. داده های اعتبارسنجی بین 02-01-2017 و 2019-12-31 است. داده های آزمایش بین 02-01-2020 و 2022-03-17 است. ما سبد سهام نگهدارنده، بهترین سبد سهام و نرخ مبادله USD-TRY را به عنوان معیارهایی تعیین می کنیم که باید از آنها بهتر عمل کنیم. ما بازده پورتفولیوی مبتنی بر یادگیری ماشین خود را بر اساس داده های آزمایشی با بازده نمونه کارها سهام، بهترین سبد سهام و نرخ مبادله USD-TRY مقایسه کردیم. ما عملکرد مدل خود را با کمک نمودارهای امتیازی roc-auc و لیفت ارزیابی کردیم. در مطالعه ما، ما از رگرسیون لجستیک، تقویت گرادیان و فورس تصادفی با رویکرد جستجوی شبکه‌ای برای تنظیم دقیق فراپارامترها استفاده می‌کنیم. در نتیجه مطالعه تجربی، وجود روند صعودی و نزولی پنج سهم توسط مدل ها قابل پیش بینی نبود. وقتی از این پیش‌بینی‌ها برای تعریف تصمیمات خرید و فروش به منظور تولید نمونه کارها مبتنی بر مدل استفاده می‌کنیم، نمونه کارها مبتنی بر مدل در مجموعه داده‌های آزمایشی شکست می‌خورد. مشخص شد که تصمیمات خرید و فروش مبتنی بر مدل یک استراتژی سبد سهام ایجاد می‌کند که بازده آن نمی‌تواند از استراتژی‌های سبد غیرمدل در مجموعه داده‌های آزمایشی بهتر عمل کند. maksimuma getirmektir. Bu kapsamda، calışmanın amacı lojistik regresyon، تقویت گرادیان و روش جنگل تصادفی kullanarak yaratılan makine öğrenmesi modelinin tahminlerini kullanarak hisse senedi portföyü oluşturmaktır. سون زامانلاردا، هیسه سندی فیاتینین ترندینی تهمین اتمک، ماکینه اوغرنمسی تملی کارارلارلا اولوشتورولان یاتیریم استراتژیلری ایلیم ساتیم کارارلارین آلینماسیندا و گتیری الده ادیلمسینده اونملی بیر رول. Literatürde sermaye piyasalarında hisse senedi fiyatlarının Makine öğrenmesi yöntemleri kullanılarak tahmin edilmesine yönelik çok sayıda çalışma bulunmaktadır ancak bunların çoğu fiyat trendinrine yönelik odaklanmaktadır. Çalışmamız hedef tanımı acısından literatürden farklılık göstermektedir. Hedef tanımımız, önümüzdeki 20 işlem günündeki oluşacak trende odaklanan bir sınıflandırma problemidir. Eğilim yönünü tahmin etmek için آموزش یانی اغیتیم ایچین on dört yıllık veri kullanıldı. 3 yıllık veri validasyon, sonraki 3 yıllık veri test için kullanıldı. Eğitim datası 2002-06-18 ile 2016-12-30 arasındadır. Validasyon datası 2017-01-02 ile 2019-12-31 arasındadır. داده های آزمایشی 2020-01-02 ile 2022-03-17 arasındadır. Elde Tutma Hisse Senedi Portföyü, TL Vadeli Mevduat Hesabı ve USD-TRY Doviz kurunu daha iyi performans göstermemiz gereken kriterler olarak belirledik. تست verilerindeki makine öğrenimi bazlı portföy getirisini, Elde Tutma Hisse Portföyü, TL Vadeli Mevduat Hesabı ve USD-TRY Doviz kuru getirisi ile karşılaştırdık. Model performanslarını Roc skor ve Lift grafik ile değerlendirdik. Çalışmamızda، lojistik regresyon، تقویت گرادیان و روش جنگل تصادفی. مدل seçiminde hyperparameter tuning için grid search kullanıldı. چالیشما سونوکوندا سچمیش اولدوغوموز بش هیس سندینین یوکسلیش و دوشوش ترندینین وارلیگی مدلر ایله تهمین ادیلمیمیشتر. مدل tabanlı portföy oluşturmak amacıyla alım satım kararlarını tanımlamak için مدل tahminlerini kullandığımızda, model tabanlı portföy test veri setinde başarısız olmuştur. مدل tabanlı alım satım kararlarının meydana getirdiği portföy stratejisi, test veri setinde model bağımsız portföylerin getiri değerlerini geçememiştir.