Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma

Abstract

Finansal piyasaları etkileyen faktörler ele alınarak yapılacak finansal piyasa geleceğinin tahminleme süreci, doğru portföy yönetimini sağlayarak kaybı azalıp kazancı arttırabilir. Fakat finansal veriler doğrusal olmayan dinamik ve kaotik karakteristiğe sahip olduğundan finansal piyasalarda karar vermek zorlu bir süreçtir. Bu probleme çözüm sağlayabilmek amacıyla kullabilecek farklı yöntemler mevcuttur. Bunlardan biri olan derin öğrenme, girdi ve çıktı arasındaki ilişkiyi birden fazla sinir ağı katmanında modelleyerek yapabilen makine öğrenimi yöntemleri olarak tanımlanır. Veri biliminin birçok alanında karmaşık veri kümeleri üzerinde yüksek performans gösterdiğinden, son zamanların ilgi çekici yöntemlerinden biri olan derin öğrenmede, geleneksel modellerin aksine, yüksek boyutlu çok değişkenli problemler ve doğrusal olmayan ilişkiler modellenebilir. Bu nedenle derin öğrenme ile sağlanan algoritma başarıları tahminleme çalışmalarında büyük yer tutmaktadır. Bu çalışmada, derin öğrenme kavramı altında değerlendirilen yinelemeli sinir ağları mimarilerinden LSTM ve GRU, finansal veri ilişkilerini modellemede kullanılmıştır. Zaman serisi olarak modellenen finansal veri kümeleri Reuters kaynak alınarak oluşturularak derin sinir ağı tahminleme modelleri ile Borsa İstanbul'da işlem gören AKBNK, TCELL ve FROTO hisse senetlerinin fiyat hareketlerinin yön tahmini için karşılaştırmalı yöntemler sunulmuştur. Çalışmada derin öğrenme yöntemlerinin bir finansal veri kümesi kullanılarak başarılı bir tahmin performansı gösterip gösteremeyeceğinin ortaya konulması amaçlanmıştır. Bununla beraber, çalışma için hazırlanan finansal veri kümeleri üzerinde doğrusal olmayan özellik seçim yöntemleri ile yapılan boyut indirgeme yaklaşımları ve finansal zaman serisi olarak modellenen finansal veri kümelerinin farklı dizileme yaklaşımları ile segmentlere ayrılarak model girdisi olarak kullanılmasının baz model tahmin performansını iyileştirip iyileştirmeyeceğinin karşılıklı analizi yapılmıştır. Boyut indirgeme sürecinde, finansal veri kümeleri etiketleme yapılarak denetimli öğrenme algoritmalarına elverişli hale getirildikten sonra HSIC Lasso, mRMR, RFE özellik seçim yöntemleri; segmentasyonda da 100, 200, 300 ve 400 adımlı dizileme birer adımlı kayan pencereler yöntemi tasarımda uygulanmıştır. Çalışmanın amacı doğrultusunda LSTM ve GRU mimarileri üzerinde hiper parametre ayarlamaları literatür baz alınarak yapılmıştır. Bununla beraber, tüm tahmin senaryolarında 70 olarak alınmış indirgenmiş özellik sayısına, model stres testlerinden sonra karar verilmiştir.