Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini

Abstract

Son yıllarda, bilgisayarların donanımındaki teknolojik gelişmeler ve makine öğrenme tekniklerindeki gelişmeler nedeniyle, "Büyük Veri" ve "Paralel İşleme" kullanımı olmak üzere problem çözmek için iki artan yaklaşım vardır. Özellikle GPU'lar gibi çok çekirdekli bilgi işlem aygıtlarında paralel olarak gerçekleştirilebilen Derin Öğrenme algoritmalarının ortaya çıkmasıyla, bu yaklaşımlarla birçok gerçek dünya problemleri çözülebilmektedir. Derin öğrenme modelleri eğitildikleri veri ile sınıflandırma, regresyon analizi ve zaman serilerinde tahmin gibi uygulamalarda büyük başarılar göstermektedir. Bu modellerin finansal piyasadaki en aktif uygulama alanlarından biri özellikle borsada işlem gören hisse senetlerinin tahmini işlemleridir. Bu alanda amaç, pazardaki değişim süreci hakkındaki hisse senedinin önceki günlük verilerine bakarak kısa veya uzun vadeli gelecekteki değerini tahmin etmeye çalışmaktır. Bu çalışmada, LSTM, GRU ve BLSTM isimli 3 farklı derin öğrenme modeli kullanılarak bir hisse senedi tahmin sistemi geliştirilip, kullanılan modeller arasında karşılaştırmalı bir analiz yapıldı. Spekülatif hareketlerden uzak olması için veri seti olarak 1968'den 2018'e kadar olan New York Borsası'ndan hisse senedinin zaman serisi değerleri kullanıldı. Spesifik olarakta IBM hisse senedi ile test çalışmaları yapıldı. Deneysel sonuçlar, hisse senedine ait son 5 günlük işlem verilerinin girdi olarak kullanıldığı BLSTM modeliyle yapılan eğitimin %63,54 lük bir yönsel doğruluk değerine ulaşıldığını göstermektedir