Treffer: Borsa endeksi tahmini için melez bir model

Bir zaman serisinde gelecekteki değerlerin tahmin edilmesi, geçmişte gözlemlenen değerlerin kullanılmasıyla sağlanabilir. Zaman serisi tahmin yöntemleri, birçok zaman serisi verisine uygulanabilen bir dizi tekniği kapsamaktadır. Bu çalışmada, istatistiksel yöntemlerden ARIMA ve derin öğrenme yöntemlerinden LSTM ve çeşitli melez modeller incelenmiştir. Bu yöntemlerin sonuçları önerilen melez model ile karşılaştırılmıştır. ARIMA ve LSTM modelleri hem tek başlarına hem de birlikte çok sayıda tahmin uygulamasında kapsamlı bir şekilde değerlendirilmiştir. Bu çalışmada hem tekli makine öğrenmesi yöntemleri hem de melez yaklaşımlar kullanılmıştır. Bu çalışmada görülen farklılıklar, çeşitli bağımsız değişkenlerin kullanımının yanı sıra eksi veri tamamlama, öznitelik seçimi ve farklı melez yöntemlerin kullanılmasıyla ilgilidir. Araştırma, finansal zaman serileri içinde tahmin konusuna odaklanmaktadır. Bu bağlamda, NASDAQ100 ve BIST100 endekslerinin günlük kapanış verileri, teknik göstergeler, temel göstergeler ve zaman serisi verilerinden elde edilen verinin iç dinamiklerini gösteren temel öznitelikler çalışmada kullanılmıştır. Melez modeller, makine öğrenmesi ve istatiksel zaman serisi analiz teknikleri kullanılarak günlük kapanış değerleri tahminlenmiştir. Analizlerde ve tahmin performanslarını değerlendirmek için Ortalama Mutlak Hata (MAE), Ortalama Hata Karesi (MSE), Ortalama Hata Kareleri Karekökü (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) ölçütleri kullanılmıştır. Modellerin performans kriterleri değerlendirildiğinde, melez modellerden elde edilen sonuçların hem NASDAQ100 hem de BIST100 endeksleri için daha iyi performans gösterdiği görülmektedir.
Forecasting future values in a time series can be achieved by using values observed in the past. Time series forecasting methods cover a range of techniques that can be applied to many time series data. In this study, ARIMA from statistical methods, LSTM from deep learning methods and various hybrid models are analysed. The results of these methods are compared with the proposed hybrid model. ARIMA and LSTM models have been extensively evaluated in numerous forecasting applications, both alone and in combination. In this study, both single machine learning methods and hybrid approaches have been used. The differences seen in this study are related to the use of various independent variables, as well as minus data completion, feature selection and the use of different hybrid methods. The research focuses on forecasting in financial time series. In this context, daily closing data of NASDAQ100 and BIST100 indices, technical indicators, fundamental indicators and key attributes indicating the internal dynamics of the data obtained from time series data are used in the study. Daily closing values are predicted using hybrid models, machine learning and statistical time series analysis techniques. Mean Absolute Error (MAE), Mean Square Error (MSE), Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE) were used in the analyses and to evaluate the prediction performances. When the performance criteria of the models are evaluated, it is seen that the results obtained from the hybrid models show better performance for both NASDAQ100 and BIST100 indices.