Yapay zeka yöntemleri ile finansal zaman serileri öngörüleri
Özet
Bilgisayar bilimlerinin sunduğu yöntemler, veriye erişme, veri işleme ve depolama
yönünden finans alanındaki gereksinimleri karşılamada insanlara kıyasla kuvvetli
avantajlara sahiptir. Bilgisayar bilimlerinin bir alt dalı olan yapay zeka sunduğu nöral ağ,
genetik algoritmalar ve makine öğrenmesi gibi yöntemlerle finans alanında ortaya çıkan
trend analizi, zaman serisi analizi, portföy yönetimi, dolandırıcılık tespiti, risk yönetimi ve
hisse değeri öngörüleri gibi problemlere etkin çözümler sunmaktadır. Bu çok disiplinli tezin
amacı, finansal zaman serilerini belirli yapay zeka programlarına öğreterek gelecek
tahminleri üretmek ve elde edilen bu öngörülerin performansını gerçekleşen değerlerle
kıyaslayarak incelemektir.
Tez çalışması kapsamında yedi farklı yapay zeka yöntemi programlanmıştır. Veri seti olarak
2014-2016 senelerini kapsayan 775 iş günü boyunca Borsa İstanbul’da işlem gören, işlem
hacmi ve piyasa değeri en yüksek 30 şirketin hisse senedi kapanış fiyatları kullanılmıştır.
Algoritmaların performanslarının öğrenme süreleri ile değişiklik göstereceği beklentisi
sebebi ile öncelikle verilerin %80’ine tekabül eden 603 günlük veri öğrenme için
kullanılmış, kalan %20’si olan 152 günlük veri yöntemlerin test edilmesinde kullanılmak
üzere algoritmaların tahmininde kullanılmıştır. “Uzun vade tahminleri” olarak yapılan bu
çalışmada “Hızlı Orman Yüzdelik Dağılımı” algoritmasının en düşük hata oranına sahip
olduğu tespit edilmiştir. Tezin bir sonraki adımında verilerin %90’ına tekabül eden 680
günlük veri öğrenme için kullanılmış, kalan %10’u olan 75 günlük kısmı test amacı ile
kullanılmıştır. “Orta vade tahminleri” olarak yapılan bu çalışmada “Destekli Karar Ağacı
Regresyonu” algoritmasının en düşük hata oranına sahip olduğu tespit edilmiştir. Son olarak
verilerin %99’ına tekabül eden 747 günlük veri öğrenme için kullanılmış, kalan %1’i olan 8
gün test amacı ile kullanılmıştır. “Kısa vade tahminleri” olarak yapılan bu çalışmada “Nöral
Ağ Regresyonu” ve “Poisson Regresyonu” algoritmalarının en düşük hata oranlarına sahip
olduğu tespit edilmiştir. Sonuç olarak yapay zeka yöntemlerinin finansal zaman serileri
öngörüleri için etkili yöntemler sunduğu ortaya konmuştur. The methods provided by the field of computer science have considerable advantages in
domains of reaching, storing and processing data to satisfy the requirements of finance field
compared to humans. A subdomain of computer science; artificial intelligence provides
methods such as neural networks, genetic algorithms and machine learning to find effective
solutions to financial problems / goals such as trend prediction, portfolio management, fraud
detection, risk management and stock prediction. This multidisciplinary thesis aims to teach
certain artificial intelligence algorithms the financial time series data, provide future
forecasts and compare these forecasts to original values to examine their performance.
Seven different artificial intelligence algorithms have been programmed for this thesis. A
dataset of 775 business days between 2014-2016 consisting of closing prices of companies
that have İstanbul Stock Exchanges 30 highest trading volume and market value are used.
Due to the expectation of different algorithms to provide different performance depending
on the number of learning / forecasting days, firstly %80 of the data equaling 603 days have
been used for training, and the remaining %20 of the data equaling 152 days have been
forecasted by the algorithms. Simulating “Long Term Forecasts”, “Fast Forest Quantile
Regression” algorithm has shown the least error percentage. Secondly %90 of the data
equaling 680 days have been used for training, and the remaining %10 of the data equaling
75 days have been forecasted by the algorithms. Simulating “Medium Term Forecasts”,
“Boosted Decision Forest” algorithm has shown the least error percentage. Lastly %99 of
the data equaling 747 days have been used for training, and the remaining %1 of the data
equaling 8 days have been forecasted by the algorithms. Simulating “Short Term Forecasts”,
“Poisson Regression” and “Neural Network Regression” algorithms has shown the least
error percentage. The thesis concludes by confirming artificial intelligence algorithms can
be used as effective tools for financial time series forecasting.