Makine Öğrenmesi ve Derin Öğrenme Algoritmalarını Kullanarak Hisse Senedi Fiyat Tahmini

Year 2021, Volume: 13 Issue: 1, 178 - 192, 18.01.2021

Seher Arslankaya , Şevval Toprak

https://doi.org/10.29137/umagd.771671

Cited By: 8

Abstract

Günümüzde borsalar gözde bir dinamik yatırım aracıdır. Ancak bu dinamik yatırım aracı aynı zamanda ülkenin içinde bulunduğu durumdan, siyasetten, ülkeler arası izlenen politikalardan ve ülkenin sanayisinden büyük oranda etkilenmektedir. Bütün bu risklere karşın yatırımını bu alanda yapmak isteyen yatırımcılar belli tahminlerde bulunmaktadırlar. Bu tahmin de geçmiş verilerden faydalanarak yapılmaktadır. Bunun nedeni olağanüstü durumlar dışında borsa hareketlerinin büyük oranda tahmin edilebilirliğindendir. Tahminlerin daha tutarlı olması için bazı tahmin sistemleri kurulabilir. Bu sistemlerde geleneksel tahmin yöntemlerinin yanı sıra yapay zeka yöntemleri de kullanılmaya başlanmıştır. Yapılan tahmin sistemlerinde yapay zeka yöntemlerinin geleneksel tahmin yöntemlerinden daha iyi sonuçlar verdiği gözlemlenmiştir. Bunun nedeni yapay zeka yöntemlerinin bir hafızası olmasıdır. Bu çalışmada makine öğrenmesi yöntemlerinden Polinom Regresyon ve Random Forest Regresyon ve derin öğrenme yöntemlerinden ise Tekrarlayan Sinir Ağları (RNN) ve Uzun-Kısa Süreli Bellek (LSTM) yöntemleri kullanılmıştır. Elde edilen sonuçlara göre en iyi sonucu Random Forest Regresyon modeli, en kötü sonucu ise Polinom Regresyon modeli vermiştir.

Keywords

Hisse senedi fiyat tahmini, Polinom regresyon, Random forest regresyon

Using Machine Learning and Deep Learning Algorithms for Stock Price Prediction

Abstract

Today, stock markets are a favorite dynamic investment method. However, this dynamic investment method is also greatly influenced by the situation in the country, politics, policies pursued across countries and the industry of the country. Despite all these risks, investors who want to invest in this area make certain predictions. This estimate is made by making use of historical data. The reason for this is that the stock market movements are highly predictable except for extraordinary situations. Prediction systems can be created to make the forecasts more consistent. These systems have started to use artificial intelligence methods as well as traditional forecasting methods. It has been observed that artificial intelligence methods give better results than traditional prediction methods. This is because it has a memory of artificial intelligence methods. In this study, Polynomial Regression and Random Forest Regression from machine learning methods and Recurrent Neural Networks (RNN) and Long-Short Term Memory (LSTM) from deep learning methods were used. According to the results obtained, the Random Forest Regression model was given the best result and the Polynomial Regression model was given the worst result.

Keywords

Stock price prediction, Polynomial regression, Random forest regression

References

• Akşehir, Z. D., & Kılıç, E. (2019). Makine Öğrenmesi Teknikleri ile Banka Hisse Senetlerinin Fiyat Tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendislği Dergisi.
• Alhnaity, B., & Abbod, M. (2020). A New Hybrid Financial Time Series Prediction Model. Engineering Applications of Artificial Intelligence.
• Baek, Y., & Kim, H. Y. (2018). ModAugNet: A New Forecasting Framework for Stock Market Index Value with An Overfitting Prevention LSTM Module and A Prediction LSTM Module. Expert Systems with Applications.
• Bahadır, İ. (2008). Bayes Teoremi ve Yapay Sinir Ağları Modelleriyle Borsa Gelecek Değer Tahmini Uygulaması.
• Çalışkan, M. M., & Deniz, D. (2015). Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini. Eskişehir Osmangazi Üniversitesi İİBF Dergisi.
• Hiransha, M., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. (2018). NSE Stock Market Prediction Using Deep-Learning Models. Procedia Computer Science.
• Kantar, L., (2019). Bist100 Endeksinin Yapay Sinir Ağlari ve Arma Modeli İle Tahmini. 23. Finas Sempozyumu-– Marmara Üniversitesi İşletme Fakültesi. İstanbul: Gelişim Üniversitesi.
• Kim, H. Y., & Won, C. H. (2018). Forecasting the Volatility of Stock Price Index: A Hybrid Model Integrating LSTM with Multiple GARCH-Type Models. Expert System with Applications.
• Kutlu, B., & Badur, B. (2009). Yapay Sinir Ağlari İle Borsa Endeksi Tahmini.
• Mittal, A. (2019, Ekim 12). towards data science: https://towardsdatascience.com/understanding-rnn-and-lstm-f7cdf6dfc14e
• Moralı, T. (2011). İMKB 100 Endeksinin Yapay Sinir Ağları ve Newton Nümerik Arama Modelleri ile Tahmini ve Sonuçların Karşılaştırılması.
• Özer , A., Sarı, S. S., & Başakın, E. E. (2017). Bulanık Mantık ve Yapay Sinir Ağları ile Borsa Endeks Tahmini: Gelişmiş ve Gelişmekte Olan Ülkeler Örneği.
• Pabuçcu, H. (2019). Borsa Endeksi Hareketlerinin Makine Öğrenme Algoritmaları İle Tahmini. Bayburt. azure.microsoft.com: https://azure.microsoft.com/tr-tr/overview/what-are-private-public-hybrid-clouds/
• Raşo, H., & Demirci, M. (2019). Predicting the Turkish Stock Market BIST 30 Index using Deep Learning. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi.
• Şafak, H. İ. (2017, Aralık 9). https://medium.com/: https://medium.com/t%C3%BCrkiye/makine-%C3%B6%C4%9Frenmesi-nedir-20dee450b56e
• Sakarya, Ş., & Yılmaz, Ü. (2019). Derin Öğrenme Mimarisi Kullanarak BİST30 İndeksinin Tahmini. European Journal of Educational & Social Sciences .
• Vijh, M., Chandola, D., Tikkiwal, V. A., & Kumar, A. (2020). Stock Closing Price Prediction Using Machine Learning Techniques. Procedia Computer Science.