Yazar
Gezici, Abdul Haluk Batur
Basım Tarihi
2024
Konu
Derin öğrenme (Makine öğrenimi), Kripto para birimleri, Bitcoin, Finans, Matematiksel modeller, Yapay zeka, Finansal uygulamalar
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
9637baaa-9e29-46be-adb2-c4b9735262b7
Lokasyon
Yapay Zeka Bölümü
Tarih
2024
Örnek Metin
Derin öğrenme metodolojilerinin yönlendirdiği algoritmik ticaret alanı son zamanlarda büyük ilgi gördü. Bu alanda transformatörler, evrişimli sinir ağları ve yama yerleştirmeye dayalı teknikler, bilgisayarlı görü topluluğunda popüler seçenekler olarak ortaya çıkmıştır. Burada, en yeni bilgisayarlı görme metodolojilerinden ve zaman serisi veri kümeleri için görüntü benzeri dönüştürme yeteneğini gösteren mevcut çalışmalardan esinlenerek, varlık fiyatlarını ve yönlü fiyat hareketlerini tahmin etmek için daha gelişmiş transformatör tabanlı ve yama tabanlı yaklaşımlar uyguluyoruz. Kullanılan transformatör modelleri arasında Vision Transformer (ViT), Veri Verimli Görüntü Transformatörleri (DeiT) ve Swin yer alır. Transformatörsüz, yama gömme tabanlı evrişimli sinir ağı mimarisi için ConvMixer'ı kullanıyoruz. Test edilen transformatör tabanlı ve yama tabanlı metodolojilerimiz, geçmiş zaman serisi veri kümesindeki içsel görüntü benzeri özelliklerden yararlanarak geçmiş fiyat verilerini kullanarak varlık fiyatlarını ve yön hareketlerini tahmin etmeyi amaçlamaktadır. Dikkate dayalı mimarilerin uygulanmasından önce, tarihsel zaman serisi fiyat veri seti iki boyutlu görüntülere dönüştürülmektedir. Bu dönüşüm, her biri ardışık sabit sayıda gün boyunca verilere katkıda bulunan çeşitli ortak teknik mali göstergelerin dahil edilmesi yoluyla kolaylaştırılmaktadır. Sonuç olarak, veri kümesinin çeşitli boyutlarını yansıtan çeşitli iki boyutlu görüntüler kümesi oluşturulur. Daha sonra, piyasanın vadilerini ve zirvelerini gösteren orijinal görseller Tut, Al veya Sat gibi etiketlerle işaretlenir. Deneylere göre, eğitimli dikkat temelli modeller, özellikle sık işlem gören Borsa Yatırım Fonlarının (ETF'ler) bir alt kümesine uygulandığında, temel evrişimsel mimarilerden sürekli olarak daha iyi performans gösteriyor. Dikkate dayalı mimarilerin, özellikle de ViT'nin bu daha iyi performansı, özellikle uzun test ve bekleme süreleri sırasında hem doğruluk hem de diğer mali değerlendirme ölçütleri açısından açıkça görülmektedir. Bu bulgular, transformatör tabanlı yaklaşımların varlık fiyatı ve yönlü tahminde tahmin yeteneklerini geliştirmeye yönelik potansiyelinin altını çizmektedir. Bu alanda, d¨on¨u¸st¨ur¨uc¨uler, evr¸simli sinir ağları ve yama g¨omme tabanlı teknikler bilgisayarla g¨orme toplulu˘gu içinde pop¨uler secenekler olarak ortaya ¸cıkmı¸stır. Burada, en yeni bilgisayarla görüntüleme metodolojileri ve zaman serisi veri kumeleri icin g¨or¨unt¨u benzeri d¨on¨u¸s¨um yetene˘gini g¨osteren mev Cut¸calı¸smalardan ilhamerek, varlık fiyatlarını ve y¨onl¨u fiyat hareketlerini tahmin etmek i¸cin daha gel¸smi¸s d¨on¨u¸st¨ur¨uc¨u tabanlı ve yama tabanlı yakla¸sımlar uygunluy oruz. Kullanılan d¨on¨u¸st¨ur¨uc¨u modelleri arasında Vision Transformer (ViT), Data Efficient Image Transformers (DeiT) ve Swin bulunmaktadır. D¨on¨u¸st¨ur¨uc¨us¨uz yama g¨omme tabanlı bir evr¸simsel sinir ağı mimarisi için ConvMixer seçenekleri. Test edilen d¨u¸st¨ur¨uc¨u tabanlı ve yama tabanlı metodolojilerimiz, ge¸cmi¸s zaman serisi veri k¨umesindeki do˘gal g¨unt¨u benzeri ¨ozelliklerden yararlanarak ge¸cmi¸s verilerini kullanarak varlıklarını tahmin etmek ve y¨on hareketlerini tahmin edebilmek amaclanabilir. Dikkat temelindeki mimarilerin konfigürasyonundan ¨once, finansal zaman serisi fiyat veri seti iki boyutlu g¨or¨unt¨ulere d¨on¨u¸st¨ur¨ul¨ur. Bu gün, her birinin sabit sayıda ardışık günün i̇çin bağlantısı bulunan ce¸sitli ortak teknik finansal g¨ostergelerin dahil edilmesiyle kolayla karıştırılmasıdır. Sonu¸c olarak, veri setinin ce¸sitli boyutlarını yansıtan farklı bir iki boyutlu görüntü seti olu¸sturulmü¸stur. Daha sonra, piyasa vadilerini ve zirvelerini g¨osteren orijinal g¨or¨unt¨ulere Tut, Al veya Sat gibi etiketler eklenmi¸stir. Egitilmi¸s dikkat tabanlı modeller, özel olarak sık i¸slem gören Borsa Yatırım Fonlarının (ETF'ler) bir alt¨u deneymesine˘gında, temel konvol¨usyonel mimarilerden güvenceli olarak daha iyi performans g¨ostermektedir. Dikkat temelli mimarilerin, özellikle de ViT'nin bu daha iyi performansı, özellikle uzun test ve bekleme garantileri boyunca hem doğru hem de diğer finansal degerlendirmenin ol¸c¨utleri a¸cısından olması lirgindir. Bu bulgulara göre, d¨on¨u¸st¨ur¨uc¨u tabanlı yakla¸sımların varlık fiyatları ve y¨on tah mininde¨ong¨or¨u geliştirme potansiyelinin devam ettiği görülmektedir.
