Hisse Senedi Fiyatlarının LSTM ve ARIMA Modelleri Kullanılarak Tahmin Edilmesi

Year 2024, , 903 - 911, 30.09.2024

Yıldız Aydın , Gizem Varol , Eyyüb Ensari Gökdeniz , Hakan Manus

https://doi.org/10.35234/fumbd.1495602

Abstract

Borsa İstanbul’da işlem gören hisse senedi piyasası, günümüzde en çok rağbet gören yatırım araçlarından biridir. Öyle ki nüfusa göre en çok işlem gerçekleştirilen ilk beş ülkeden biri Türkiye’dir. Teknolojinin gelişimi, yatırımcıların bu gibi yatırım araçlarına yönelmesini kolaylaştırmasının yanı sıra analiz yöntemlerini de kolaylaştırmıştır. Bu çalışma, kullanılan analiz yöntemlerinden olan LSTM ve ARIMA modellerini karşılaştırıp, hangisinin daha iyi performans sağladığını görmek için yapılmıştır. Çalışmada diğer çalışmalardan farklı olarak 2020-2024 yılları arasındaki verilerle gerçekleştirilmiş ve sektörel farklılıklar göz önünde bulundurularak işlem yapılmıştır. Sonuçlar, LSTM’nin karmaşık ve uzun vadeli bağımlılıkları yakalamada daha etkili olduğunu göstermiştir. Bu, yatırımcıların model seçimini yaparken daha bilinçli kararlar almasına yardımcı olacaktır.

Keywords

BIST, Otoregresif Entegre Hareketli Ortalama, Uzun-Kısa Süreli Bellek Modeli, LSTM, ARIMA

Forecasting Stock Prices Using LSTM and ARIMA Models

Abstract

The stock market traded on Borsa Istanbul is one of the most popular investment instruments today. In fact, Turkey is one of the top five countries with the highest number of transactions per capita. The development of technology has not only made it easier for investors to turn to such investment instruments but also facilitated the analysis methods. This study aims to compare the LSTM and ARIMA models, which are among the analysis methods used, to see which one provides better performance. Unlike other studies, this study was conducted using data from the years 2020-2024 and took sectoral differences into consideration. The results showed that LSTM is more effective in capturing complex and long-term dependencies. This will help investors make more informed decisions when choosing a model.

Keywords

BIST, Autoregressıve Integrated Moving Average, Long Short-Term Memory Model, LSTM, ARIMA

References

• Sermaye Piyasası Kanunu. (2012, 30 Aralık). Resmî Gazete (Sayı: 28513). Erişim Adresi: https://www.mevzuat.gov.tr/
• Albayrak E, Saran N. İstatistiksel ve derin öğrenme modellerini kullanarak hisse senedi fiyat tahmini. Bilgisayar Bilimleri ve Mühendisliği Dergisi 2023; 16(2): 161-169.
• Hyndman RJ, Athanasopoulos G. Forecasting: Principles and Practice. Haziran 2018.
• Gavcar E, Metin H. Hisse senedi değerlerinin makine öğrenimi (derin öğrenme) ile tahmini. Ekonomi ve Yönetim Araştırmaları Dergisi 2021; 10(2): 137-154.
• Tanışman S, Karcıoğlu AA, Uğur A, Bulut H. Bitcoin fiyatının LSTM ağı ve ARIMA zaman serisi modeli kullanarak tahmini ve karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi 2021; (32): 514-520.
• Siami Namin S, Siami Namin A. Forecasting economic and financial time series: ARIMA vs. LSTM. Texas Tech University, 2018.
• Tanışman S, Karcıoğlu AA, Uğur A, Bulut H. Bitcoin fiyatının LSTM ağı ve ARIMA zaman serisi modeli kullanarak tahmini ve karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi 2021; (32): 514-520.
• Albayrak E, Saran AN. Hisse senedi fiyat tahmini: İstatistiksel ve derin öğrenme modelleri kullanarak hisse senedi fiyat tahmini. Bilgisayar Bilimleri ve Mühendisliği Dergisi 2023; 16(2): 161-169.
• Eylasov N, Çiçek M. Kripto para fiyatlarının tahmini: ARIMA-GARCH ve LSTM yöntemlerinin karşılaştırılması. Finans Ekonomi Ve Sosyal Araştırmalar Dergisi 2024; 9(1): 48-62.
• Yahoo Finance. (2024, Nisan 17). Erişim Adresi: https://finance.yahoo.com/
• Hochreiter S, Schmidhuber J. Long Short-Term Memory. Neural Computation 1997; 9(8): 1735-1780.
• Box GE, Jenkins GM, Reinsel GC, Ljung GM. Time series analysis: forecasting and control. 5th ed. New York, NY, USA: John Wiley & Sons, 2015.
• Dickey DA, Fuller WA. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association 1979; 74(366a): 427-431.