13 Mart 2022 Dergi makalesi Açık Erişim

Mehmet SARIKOÇ; Mete ÇELİK

DataCite XML

<?xml version='1.0' encoding='utf-8'?>
<resource xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://datacite.org/schema/kernel-4" xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4.1/metadata.xsd">
  <identifier identifierType="URL">https://aperta.ulakbim.gov.tr/record/274193</identifier>
  <creators>
    <creator>
      <creatorName>Mehmet SARIKOÇ</creatorName>
      <nameIdentifier nameIdentifierScheme="ORCID" schemeURI="http://orcid.org/">0000-0002-3081-1686</nameIdentifier>
      <affiliation>Erciyes Üniversitesi</affiliation>
    </creator>
    <creator>
      <creatorName>Mete ÇELİK</creatorName>
      <nameIdentifier nameIdentifierScheme="ORCID" schemeURI="http://orcid.org/">0000-0002-1488-1502</nameIdentifier>
      <affiliation>Erciyes Üniversitesi</affiliation>
    </creator>
  </creators>
  <titles>
    <title>Boyut İndirgeme Teknikleri Ve Lstm Derin Öğrenme Ağı İle Bist100 Endeksi Fiyat Tahmini</title>
  </titles>
  <publisher>Aperta</publisher>
  <publicationYear>2022</publicationYear>
  <subjects>
    <subject>Finansal Zaman Serileri</subject>
    <subject>BIST100</subject>
    <subject>Fiyat Tahmini</subject>
    <subject>Veri Ön İşleme</subject>
    <subject>Faktör Analizi (FA)</subject>
    <subject>Temel Bileşen Analizi (PCA)</subject>
    <subject>Bağımsız Bileşen Analizi (ICA)</subject>
    <subject>Derin Öğrenme</subject>
    <subject>Uzun-Kısa Süreli Bellek (LSTM)</subject>
  </subjects>
  <dates>
    <date dateType="Issued">2022-03-13</date>
  </dates>
  <resourceType resourceTypeGeneral="Text">Journal article</resourceType>
  <alternateIdentifiers>
    <alternateIdentifier alternateIdentifierType="url">https://aperta.ulakbim.gov.tr/record/274193</alternateIdentifier>
  </alternateIdentifiers>
  <relatedIdentifiers>
    <relatedIdentifier relatedIdentifierType="DOI" relationType="IsIdenticalTo">10.31590/ejosat.1083255</relatedIdentifier>
  </relatedIdentifiers>
  <rightsList>
    <rights rightsURI="https://creativecommons.org/licenses/by-nc-sa/4.0/">Creative Commons Attribution-NonCommercial-ShareAlike</rights>
    <rights rightsURI="info:eu-repo/semantics/openAccess">Open Access</rights>
  </rightsList>
  <descriptions>
    <description descriptionType="Abstract">&lt;p&gt;Son d&amp;ouml;nemde teknolojide g&amp;ouml;zlenen gelişim ile birlikte derin &amp;ouml;ğrenme y&amp;ouml;ntemlerinin &amp;ccedil;ok farklı alanlarda kullanımı da hız kazanmıştır. Bu alanların en pop&amp;uuml;lerlerinden biri de finansal piyasalardır. Bir&amp;ccedil;ok girdinin etken olduğu finansal veriler &amp;uuml;zerinde ger&amp;ccedil;ekleştirilen tahmin ve analizlerin, yatırımcıların ve kurumsal yapıların karar alma mekanizmalarına yardımcı etkisi b&amp;uuml;y&amp;uuml;k &amp;ouml;neme sahiptir. &amp;Ccedil;alışmada bir derin &amp;ouml;ğrenme ağı ile Borsa İstanbul 100 (BIST100) endeksi tahmin edilmeye &amp;ccedil;alışılmaktadır. Ayrıca veri &amp;ouml;n işleme aşamasında Fakt&amp;ouml;r Analizi (FA), Temel Bileşen Analizi (PCA), Bağımsız Bileşen Analizi (ICA) gibi istatistiksel boyut indirgeme y&amp;ouml;ntemlerin kullanımının, Uzun Kısa S&amp;uuml;reli Bellek (LSTM) derin &amp;ouml;ğrenme ağı performansına olan etkisi araştırılmaktadır. Deneyler esnasında kullanılan veri seti; BIST100 endeksine ait g&amp;uuml;nl&amp;uuml;k ge&amp;ccedil;miş verilere ve teknik analiz bilgilerine dayalı olarak hazırlanmaktadır. Veri &amp;ouml;n işleme aşamasında, derin &amp;ouml;ğrenme ağına eklenen istatistiksel boyut indirgeme y&amp;ouml;ntemlerinden oluşturulan modeller, 5 g&amp;uuml;n sonraki fiyatı tahmin etmeye &amp;ccedil;alışırken, R&lt;sup&gt;2&lt;/sup&gt; ve RMSE &amp;ouml;l&amp;ccedil;&amp;uuml;tleri &amp;uuml;zerinden karşılaştırılmıştır. Bu işlemler sırasında derin &amp;ouml;ğrenme hiper-parametreleri dışında kalan, teknik g&amp;ouml;stergelerin ve tahmin modelinin performansını etkiyeceği d&amp;uuml;ş&amp;uuml;n&amp;uuml;len parametreler iyileştirilmeye &amp;ccedil;alışılmıştır. Buna g&amp;ouml;re PCA+LSTM hibrit modeli, diğer boyut indirgeme y&amp;ouml;ntemleri ile oluşturulan hibrit modelleri geride bırakarak daha rekabet&amp;ccedil;i sonu&amp;ccedil;lar elde etmiştir. Aynı zamanda PCA+LSTM hibrit modelinin, LSTM modelinin tek başına elde ettiği sonu&amp;ccedil;ları, R&lt;sup&gt;2&lt;/sup&gt; ve RMSE i&amp;ccedil;in sırası ile %4.60 ve %13.35 oranlarında iyileştirdiği g&amp;ouml;r&amp;uuml;lm&amp;uuml;şt&amp;uuml;r.&lt;/p&gt;</description>
  </descriptions>
</resource>