Akademik Veri Yönetim Sistemi
Diğer, ss.1-66, 2025
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.
The random walk of systematic variables, which are influenced by numerous factors, is very difficult to predict even with modern techniques. In solving such complex problems, the effectiveness of artificial intelligence-based models and which models yield better results with specific parameters is a subject of interest for researchers. This thesis investigates the prediction of future stock prices, a problem of this nature, using different artificial neural network models, testing various parameters and examining their impact on prediction performance. In the study, data containing variables with different frequencies from selected stocks of the BIST and NASDAQ stock exchanges were used, and LSTM and MLP models with varying numbers of nodes and activation functions were tested across different time frames. The experiments were carried out in two main examples. The first example examined the effect of different numbers of nodes and activation functions. In this context, predictions were made using MLP models with ReLU or sigmoid activation functions and varying numbers of nodes. In the second example, the effects of using data with variables at different frequencies, various models, and different time frames on prediction results were tested. In this section, predictions were made using LSTM and MLP models over 1, 2, 3, 4, and 5-day time frames. The generated predictions were compared with actual values using MAPE and EDOC metrics. The results suggest that the number of nodes can be determined by an approximate calculation rule, and that ReLU might be a better choice than Sigmoid for the activation function. Moreover, it was observed that using a greater number of variables with different frequencies improved prediction accuracy. Predictions made with short time frames were found to fail, consistent with the random walk hypothesis. As the length of the time frames increased, direction accuracy improved significantly with only a small increase in MAPE, and the LSTM model performed better than the MLP. These findings are consistent with Dow Theory, indicating that the past values of stocks have a relationship with their future movements.