Görüntüleme
26
İndirme
1
Borsa endeks verileri, döviz ve altın finansal zaman serileri içerisinde önemli bir yere sahiptir. Bu konuda yapılacak değer ya da hareket yönü tahmini çalışmaları hem yatırımcıların hem de araştırmacıların ilgisini çekmektedir. Bu çalışmada, derin öğrenme yöntemlerinden Tekrarlayan Sinir Ağları ve Uzun-Kısa Süreli Bellek algoritmaları ile; Dolar, Altın ve BİST 100 endeksinin günlük değer tahmini amaçlanmıştır. Çalışmada tarih, dolar, altın ve BİST 100 günlük kapanış verileri içeren 2013-2022 yılları arasındaki 2280 iş gününden oluşan bir veri seti kullanılmıştır. Geliştirilen tahmin modellerinin performanslarını değerlendirmek için ortalama mutlak hata, ortalama karesel hata, hata kareler ortalamasının karekökü ve belirlilik katsayısı değerlendirme ölçütleri kullanılmıştır. Tahmin sonuçları incelendiğinde Uzun-Kısa Süreli Bellek algoritmasının Tekrarlayan Sinir Ağı algoritmasına göre daha iyi performans gösterdiği ve Dolar, Altın ve BİST 100 endeksi için belirlilik katsayısı değerinin %95’in üzerinde olduğu görülmüştür. Ayrıca çalışmada elde edilen bulgular, derin öğrenme algoritmalarının finansal zaman serileri üzerinde ekstra bağımsız değişkenlere ihtiyaç duymadan yüksek tahmin başarımı gösterebileceğini belirtmektedir.
Stock market index data, foreign currency, and gold have an important place in financial time series. Therefore, value or direction of movement estimation studies on this subject attracts the attention of both investors and researchers. This study aims to estimate the daily value of the US Dollar, Gold, and Borsa Istanbul (XU) 100 index using deep learning methods: Recurrent Neural Networks and Long-Short-Term Memory. A data set consisting of 2280 business days between 2013-2022, which includes the date, US Dollar, Gold, and XU 100 closing data, was used in the study. Mean absolute error, mean square error, root mean square error, and coefficient of determination were used to evaluate the performance of the developed prediction models. When the results were examined, it was seen that the Long-Short-Term Memory algorithm performs better than the Recurrent Neural Network algorithm and achieved a determination coefficient value of over 95% for the US Dollar, Gold, and XU 100 index. Moreover, the findings obtained in the study indicate that deep learning algorithms can show high prediction performance on financial time series without using extra independent variables.
Alan : Fen Bilimleri ve Matematik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
