YAPAY SİNİR AĞI MODELLERİ İLE HİSSE SENETLERİNİN DEĞİŞİM TAHMİNİNDE FARKLI DÜĞÜM SAYILARI, ZAMAN ÇERÇEVELERİ VE AKTİVASYON FONKSİYONLARININ ETKİSİNİN ARAŞTIRILMASI
Tez Türü: Sanatta Yeterlik
Tezin Yürütüldüğü Kurum: İnönü Üniversitesi, Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği, Türkiye
Tez Danışmanı: Mehmet Emin Tağluk
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Çok sayıda değişkenin etkisi altında olan sistematik değişkenlerin rastgele yürüyüşünü, modern tekniklerle dahi tahmin etmek oldukça zordur. Bu tür karmaşık problemlerin çözümünde, yapay zekâ tabanlı modellerin etkinliği ve hangi modelin hangi parametrelerle daha iyi sonuç vereceği araştırmacılar tarafından merak edilmektedir. Bu tezde, bu tür bir problem olan hisse senetlerinin gelecekteki değerlerini tahmin etmek için farklı YSA modelleri çeşitli parametrelerle test edilerek, bu parametrelerin tahmin performansı üzerindeki etkileri incelenmiştir. Çalışmada, BIST ve NASDAQ borsalarından seçilen bazı hisselere ait, farklı frekansta değişkenler içeren verilerle, farklı düğüm sayıları ve aktivasyon fonksiyonlarına sahip LSTM ve MLP modelleri çeşitli zaman çerçevelerinde test edilmiştir. Denemeler iki ana örnek üzerinden gerçekleştirilmiştir. İlk örnekte farklı düğüm sayıları ve aktivasyon fonksiyonlarının etkisi incelenmiştir. Bu kapsamda, ReLU veya sigmoid aktivasyon fonksiyonu kullanılan ve farklı sayılarda düğüm içeren MLP ile tahminler yapılmıştır. İkinci örnekte, çeşitli frekansta değişkenler içeren veriler kullanılarak, çeşitli modellerin ve farklı zaman çerçevelerinin tahmin sonuçları üzerindeki etkisi incelenmiştir. Burada 1, 2, 3, 4 ve 5 günlük zaman çerçevelerinde LSTM ve MLP ile tahminler yapılmıştır. Üretilen tahminler, gerçek değerlerle MAPE ve EDOC ile karşılaştırılmıştır. Sonuçlar, düğüm sayılarının yaklaşık hesap kuralıyla belirlenebileceğini ve aktivasyon fonksiyonu seçiminde ReLU'nun Sigmoid'e göre daha iyi bir seçenek olabileceğini göstermektedir. Daha fazla sayıda ve farklı frekansta değişken içeren verilerin kullanımının tahmin doğruluğunu artırdığı görülmüştür. Kısa zaman çerçevelerinde yapılan tahminlerin rastgele yürüyüş hipoteziyle uyumlu olarak başarız olduğu görülmüştür. Zaman çerçevelerinin uzunluğu arttıkça, MAPE'de çok büyük olmayan bir artışla birlikte yön doğruluğunun belirgin şekilde iyileştiği ve LSTM modelinin MLP'ye göre daha iyi sonuçlar verdiği görülmüştür. Bu durum, elde edilen sonuçların Dow teorisiyle uyumlu olduğunu ve hisse senetlerinin geçmiş değerlerinin, gelecekteki hareketleriyle bir ilişki taşıdığını göstermektedir.