Zaman serisi öngörüsü için derin sinir ağlarına dayalı yaklaşımlar
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: GÜLSEREN BİRİM
Danışman: Özge Cağcağ Yolcu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Finansal zaman serisi tahmini, akademik finans araştırmacıları ve finans sektöründeki profesyoneller için kaçınılmaz ancak zorlu bir konudur. Geniş uygulama alanlarına sahip olması ve karar verme süreçleri üzerinde önemli bir etkisi olması nedeniyle, doğru ve güvenilir tahmin sonuçları elde etmek son derece önemlidir. Bu bakımdan, hesaplama temelli modellerin başarısı son zamanlarda dikkat çekmiştir. Geleneksel zaman serisi yöntemlerine kıyasla daha iyi öngörü sonuçları üretmeleri, özellikle makine ve derin öğrenmeye dayalı algoritmaları daha cazip hale getirmiştir. Finansal zaman serisi öngörü modellerinin geliştirilmesine yönelik artan bir ilgi olmasına rağmen, çoğu mevcut çalışma, kullanılan yaklaşımın doğası gereği, yalnızca doğrusal olmayan ilişkileri dikkate almaktadır. Ayrıca, çoğu zaman serisi yönteminde, tüm gecikmiş değişkenler modele dahil edilmektedir. Bununla birlikte bazı gecikmeli değişkenlerin yüksek dereceli modellerin performanslarına önemli ölçüde katkısı söz konusu iken bazılarının etkileri önemsiz bir derecede olabilir. Sonuç olarak, model performansına önemli derecede katkıda bulunmayacak gecikmeli değişkenler işlemlerin karmaşıklığı ve yakınsama süresini artmaktadır. Bu sorunları çözmek için, bu çalışmada belirlenen dereceye kadar bütün gecikmeli değişkenlerin modelde bulunduğu yüksek dereceli bir öngörü modeli yerine kısmi yüksek dereceli derin basamaklı bir öngörü modeli önerilmektedir. Önerilen modelde, model derecesini belirleyen girdiler genetik algoritma (GA) aracılığıyla bir optimizasyon sürecinde belirlenir. Model girdileri ile hedefler arasındaki mevcut ilişkiler, hem doğrusal hem de doğrusal olmayan yapıları modelleyebilen, derin basamaklı-ileri beslemeli sinir ağı (D-CFNN) ile belirlenir. Önerilen model, bazı finansal zaman serilerine uygulanmış ve önerilen modelin performansı bazı en son teknoloji modellerle karşılaştırmalı olarak değerlendirilmiştir. Önerilen modelin, her bir zaman serisi veri seti için benzerlerinden önemli ölçüde daha iyi performans gösterdiği gözlemlenmiştir.