Finansal serilerin öngörüsünde derin öğrenme ve klasik yöntemlerin karşılaştırılması : BIST100 örneği
Year: 2024
Type: dissertation
Abstract: Günümüzde, piyasa yapısı ve tahmin edilebilirliği konusundaki tartışmalar sürmektedir. Etkin Piyasa Hipotezi (EPH) kapsamında, piyasadan aşırı getiri elde etmenin mümkün olmadığı belirtilmiş ve piyasanın tahmin edilemez olduğu gösterilmiştir. Daha sonraki yıllarda, Adaptif Piyasa Hipotezi (APH) EPH'nin eksikliklerine dikkat çekerek ve insan davranışlarını göz önünde bulunduran bir hipotez geliştirilmiştir. Bu tezde, beş yıl süresince günlük BIST100 verileri kullanılarak EPH ve APH, Varyans Oran ve BDS testleri ile incelenmiştir. Zaman serileri yüksek dereceden doğrusal olmadığından dolayı klasik modellerin performansı bu tür serilerin tahmininde yetersiz kalmaktadır. Bu tür serilerin tahmini için önemli yöntemlerden biri derin öğrenme yöntemlerinin kullanılmasıdır. Çalışmada hem durağan hem de durağan olmayan BIST100 serileri için derin öğrenme yöntemleri ve klasik yöntemlerle modellemeler yapılmış, elde edilen sonuçlar değerlendirilmiştir. LSTM, CNN ve MLP gibi derin öğrenme modelleri kullanılmıştır. Klasik yöntemler arasından en uygun model, ARFIMA, ARIMA ve ARCH tipi modelleri arasından belirlenmiştir. Çalışmada, klasik ve derin öğrenme modelleri birleştirilerek hibrit modeller kullanılmıştır. Derin öğrenme ve hibrit modellerinin daha etkili bir şekilde öğrenilmesini sağlamak amacıyla K katlamalı çapraz geçerlilik yöntemi kullanılmıştır. Çalışmanın sonucunda, BIST100 serisi için APH'nin geçerli olduğu görülmüştür. Çalışmanın devamında BIST100 durğan serisi için T dağılıma sahip MA(2)-EGARCH(1,1) en iyi klasik model olarak belirlenmiştir. Durağan olmayan BIST100 serisinde LSTM modelinin daha iyi sonuçlar verdiği gözlenmiştir. Durağan BIST100 serisinde ise MA(2)-EGARCH(1,1)-LSTM hibrit modeli daha iyi sonuç vermiştir. Modellerin sonuçlarının analizi, LSTM ve MA(2)-EGARCH(1,1)-LSTM modelinin finansal zaman serilerinin tahmininde etkinliğini kanıtlamıştır.
Author: Abizada, Rufat
Language: Turkish
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7132097714