Aramaya Dön

Grafik sinir ağı tabanlı geçici derin öğrenme modelleri ile finansal varlık fiyat tahmini

İsim	Grafik sinir ağı tabanlı geçici derin öğrenme modelleri ile finansal varlık fiyat tahmini
Yazar	Uygun, Yasin
Basım Tarihi:	2024
Konu	Grafik teorisi, Kombinatoryal analiz, Derin öğrenme (Makine öğrenimi), Makine öğrenimi, Zaman serisi analizi, Finansal risk, Matematiksel modeller, Bilgisayar mühendisliği
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	48fb9add-30ac-4eba-91f8-b8df2cae35a8
Lokasyon	Bilgisayar Bilimleri Bölümü
Tarih	2024
Örnek Metin	Zaman içinde birden fazla finansal varlık fiyat değişimi, bunların karmaşık doğası ve aralarındaki karşılıklı bağımlılık ile karakterize edilebilir. Daha geleneksel tahmin yaklaşımları, bu varlıklar arasındaki karşılıklı bağımlılıkları gözden kaçırabilir çünkü aralarındaki mekansal-zamansal bağımlılıkları tam olarak dikkate alamayabilirler. Grafik Sinir Ağları (GNN'ler), çeşitli veri türleri arasındaki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak ortaya çıktı ve son zamanlarda sosyal ağ analizi ve trafik tahmini gibi alanlardaki olağanüstü performansları nedeniyle daha fazla dikkat çekti. GNN'lerin yüksek kapasitesi temel olarak permütasyon değişmezliği ve yerel bağlantılarından kaynaklanmaktadır. Ancak bunların varlık fiyatı tahminindeki uygulamaları nispeten keşfedilmemiş durumda. Burada, özellikle Döviz (Forex) ve kripto para piyasalarına odaklanarak, GNN'lerin birden fazla finansal varlık fiyatını ortaklaşa tahmin etmedeki etkinliğini araştırıyoruz. İki uzay-zamansal GNN çerçevesi kullanıyoruz: MTGNN ve StemGNN, her ikisi de çok değişkenli zaman serilerini tahmin etmedeki son teknoloji performanslarıyla tanınmaktadır. Her iki model de zaman serisi verilerini grafiklere dönüştürme ve hem mekansal hem de zamansal bağımlılıkları yakalama konusunda benzersiz bir yeteneğe sahiptir. Her iki yöntem de, özellikle kripto para birimleri gibi oldukça değişken piyasalarda finansal varlık fiyatlarını tahmin etmede LSTM'den önemli ölçüde daha iyi performans gösteriyor. Ancak bu GNN tabanlı çok değişkenli yaklaşımlar ile LSTM arasındaki performans farkı, kripto para birimlerine göre daha az değişken olan Forex piyasası için daha az belirgindir. Birden fazla varlık arasındaki karşılıklı bağımlılığı hem zamansal hem de mekansal olarak modelleme yeteneği, StemGNN ve MTGNN'nin LSTM'den daha iyi performans göstermesinin ana nedenidir. Bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını değerlendiriyoruz. Kodumuz https://github.com/seferlab/temporal_gnn adresinde bulunabilir. Çoklu finansal varlıkların zaman içindeki fiyat değişimleri, bu bileşenlerin karmaşık doğaları ve birbirleri arasındaki ilişkileri ile birliktedir. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları tam olarak içermediği için, varlıklar arasındaki bu ilişkiler göz ardı edilebilir. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkilersel ilişkiler modülü için güçlü bir araç olarak öne çıkan ve son zamanlarda sosyal ağ analizi ve trafik tahmin gibi alanlarda gösterdikleri olağanüstü performanslarla dikkat çekmemiştir. GNN'lerin bu yüksek kapasitesi, özellikle permütasyona karşı kalıcılığı ve yerel bağlantılar sayesindedir. Ancak varlıkların fiyatı tahminindeki uygulamalar hala yeterince araştırılmamıştır. Bu, özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak, çoklu finansal varlıkların fiyatlarının tahmininde GNN'lerin devamını incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. Her iki modelde zaman serileri çizgeye dönüştürme ve hem uzaysal hem de zamansal bağımlılıkları yakalama konusunda benzersiz yeteneklere sahiptir. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntemle finansal varlıkların fiyat tahmininde LSTM'den belirgin şekilde üstün performans gösteriliyor. Bununla birlikte, GNN tabanlı çok değişkenli gösterimler ile LSTM arasındaki performans farkı, Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı ilişkilerin hem zaman hem de uzayda modelleme yeteneği, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana nedenidir. Burada, bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.

Kaynağa git Özyeğin Üniversitesi Özyeğin Üniversitesi - Tarihî eser, arşiv ve süreli yayın arama motoru

Özyeğin Üniversitesi

Grafik sinir ağı tabanlı geçici derin öğrenme modelleri ile finansal varlık fiyat tahmini

Yazar Uygun, Yasin

Basım Tarihi 2024

Konu Grafik teorisi, Kombinatoryal analiz, Derin öğrenme (Makine öğrenimi), Makine öğrenimi, Zaman serisi analizi, Finansal risk, Matematiksel modeller, Bilgisayar mühendisliği

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası 48fb9add-30ac-4eba-91f8-b8df2cae35a8

Lokasyon Bilgisayar Bilimleri Bölümü

Tarih 2024

Örnek Metin Zaman içinde birden fazla finansal varlık fiyat değişimi, bunların karmaşık doğası ve aralarındaki karşılıklı bağımlılık ile karakterize edilebilir. Daha geleneksel tahmin yaklaşımları, bu varlıklar arasındaki karşılıklı bağımlılıkları gözden kaçırabilir çünkü aralarındaki mekansal-zamansal bağımlılıkları tam olarak dikkate alamayabilirler. Grafik Sinir Ağları (GNN'ler), çeşitli veri türleri arasındaki karmaşık ilişkisel bağımlılıkları modellemek için güçlü bir araç olarak ortaya çıktı ve son zamanlarda sosyal ağ analizi ve trafik tahmini gibi alanlardaki olağanüstü performansları nedeniyle daha fazla dikkat çekti. GNN'lerin yüksek kapasitesi temel olarak permütasyon değişmezliği ve yerel bağlantılarından kaynaklanmaktadır. Ancak bunların varlık fiyatı tahminindeki uygulamaları nispeten keşfedilmemiş durumda. Burada, özellikle Döviz (Forex) ve kripto para piyasalarına odaklanarak, GNN'lerin birden fazla finansal varlık fiyatını ortaklaşa tahmin etmedeki etkinliğini araştırıyoruz. İki uzay-zamansal GNN çerçevesi kullanıyoruz: MTGNN ve StemGNN, her ikisi de çok değişkenli zaman serilerini tahmin etmedeki son teknoloji performanslarıyla tanınmaktadır. Her iki model de zaman serisi verilerini grafiklere dönüştürme ve hem mekansal hem de zamansal bağımlılıkları yakalama konusunda benzersiz bir yeteneğe sahiptir. Her iki yöntem de, özellikle kripto para birimleri gibi oldukça değişken piyasalarda finansal varlık fiyatlarını tahmin etmede LSTM'den önemli ölçüde daha iyi performans gösteriyor. Ancak bu GNN tabanlı çok değişkenli yaklaşımlar ile LSTM arasındaki performans farkı, kripto para birimlerine göre daha az değişken olan Forex piyasası için daha az belirgindir. Birden fazla varlık arasındaki karşılıklı bağımlılığı hem zamansal hem de mekansal olarak modelleme yeteneği, StemGNN ve MTGNN'nin LSTM'den daha iyi performans göstermesinin ana nedenidir. Bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını değerlendiriyoruz. Kodumuz https://github.com/seferlab/temporal_gnn adresinde bulunabilir. Çoklu finansal varlıkların zaman içindeki fiyat değişimleri, bu bileşenlerin karmaşık doğaları ve birbirleri arasındaki ilişkileri ile birliktedir. Geleneksel tahmin yaklaşımları, bu varlıklar arasındaki uzaysal-zamansal bağımlılıkları tam olarak içermediği için, varlıklar arasındaki bu ilişkiler göz ardı edilebilir. Çizge Sinir Ağları (GNN), çeşitli veri türlerindeki karmaşık ilişkilersel ilişkiler modülü için güçlü bir araç olarak öne çıkan ve son zamanlarda sosyal ağ analizi ve trafik tahmin gibi alanlarda gösterdikleri olağanüstü performanslarla dikkat çekmemiştir. GNN'lerin bu yüksek kapasitesi, özellikle permütasyona karşı kalıcılığı ve yerel bağlantılar sayesindedir. Ancak varlıkların fiyatı tahminindeki uygulamalar hala yeterince araştırılmamıştır. Bu, özellikle Döviz (Forex) ve Kripto Para piyasalarını ele alarak, çoklu finansal varlıkların fiyatlarının tahmininde GNN'lerin devamını incelemekteyiz. Çok değişkenli zaman serilerinin tahmininde en gelişmiş performanslarıyla bilinen iki uzaysal-zamansal GNN yapısı olan MTGNN ve StemGNN'i çalıştırıyoruz. Her iki modelde zaman serileri çizgeye dönüştürme ve hem uzaysal hem de zamansal bağımlılıkları yakalama konusunda benzersiz yeteneklere sahiptir. Özellikle Kripto Para gibi son derece değişken piyasalarda bu iki yöntemle finansal varlıkların fiyat tahmininde LSTM'den belirgin şekilde üstün performans gösteriliyor. Bununla birlikte, GNN tabanlı çok değişkenli gösterimler ile LSTM arasındaki performans farkı, Kripto Para piyasasına göre daha az değişken olan Döviz piyasası için daha az belirgindir. Çoklu varlıklar arasındaki karşılıklı ilişkilerin hem zaman hem de uzayda modelleme yeteneği, StemGNN ve MTGNN'nin LSTM'den üstün performans göstermesinin ana nedenidir. Burada, bir dizi deney ve geriye dönük test stratejisi aracılığıyla, bu modellerin portföy oluşturmadaki tahmin gücünü ve karlılığını inceliyoruz. Kodlarımız şu adreste yer almaktadır: https://github.com/seferlab/temporal_gnn.