Finansal zaman serisi verilerini görüntülere kodlanarak top-luluk evrişimli sinir ağları yöntemi ile tahmin edilmesi
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Ticaret Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Son yıllarda finansal piyasalar, örüntü tanıma araştırmalarına ilgi çekmiş ve küresel ekonomide önemli bir rol oynamıştır. Finansal piyasa tahminleri yatı-rımcılar için büyük bir değere sahiptir. Ancak finansal piyasa verilerinin yüksek oynaklığı nedeniyle, doğru tahminler için verimli ve etkili sınıflandırma araçları gerekli hale gelmiştir. Bu soruna yönelik bir popüler yaklaşım, Evrişimsel Yapay sinir Ağları (CNN'ler) gibi derin öğrenme modellerini kullanmaktır. Bu tezde, IBM hisseleri üzerinde gelecekteki eğilimleri tahmin etmek için Gra-mian Angular Fields (GAF) görüntülerini kodlayarak eğitilmiş bir CNN toplulu-ğu yöntemi önerilmektedir. Bu yöntem, her bir CNN'nin farklı zaman aralıkları-nı analiz etmesine olanak tanıyan çok çözünürlüklü bir görüntüleme stratejisi kullanmaktadır. CNN topluluğu, finansal piyasa verilerinin yüksek oynaklığını etkili bir şekilde yönetebilmektedir. Önerilen yaklaşım, basit bir ticaret sistemi kullanarak değerlendirilmiş ve so-nuçlar, belirli bir dönemde geleneksel "Al ve Tut" stratejisinden daha iyi per-formans göstermektedir. Bu iddiayı desteklemek için nicel sonuçlar sunulmak-tadır. Bu yaklaşımın geleneksel yöntemlere göre bazı avantajları vardır. Hesaplama açısından daha verimli, uygulanması daha kolay ve minimum özellik mühendis-liği gerektirir. Ayrıca, önerilen yaklaşım diğer finansal piyasa veri setlerine de uyarlanabilir, bu da onu finansal piyasa tahmini için çok yönlü bir araç haline getirir. Sonuç olarak, bu tezde, GAF görüntülerini kullanarak eğitilmiş bir CNN toplulu-ğu ile finansal piyasa tahmini için yenilikçi bir yaklaşım önerilmektedir. Çok çö-zünürlüklü görüntüleme yaklaşımı ve GAF görüntülerinin kullanımı, finansal piyasa tahmini için daha verimli ve etkili bir çözüm sunar. Bu yaklaşım, diğer finansal piyasa veri setlerine uygulanabilir ve piyasa trendlerini tahmin etmek isteyen yatırımcılar için değerli bir araç olabilir.
In recent years, financial markets have gained significant attention from pat-tern recognition researchers due to their substantial impact on the global eco-nomy. Precise financial predictions have become invaluable, given the inherent volatility of financial data. To address this challenge, deep learning models such as Convolutional Neural Networks (CNNs) have emerged as a popular appro-ach. This thesis proposes a novel method for forecasting future trends in IBM stocks by encoding Gramian Angular Fields (GAF) images and training a com-munity of CNNs. This method leverages a multi-resolution imaging strategy that allows individual CNNs to analyze different time intervals effectively, effectively handling the high volatility of financial market data. The proposed approach was rigorously evaluated within a simple trading sys-tem, yielding results that outperformed the traditional "Buy and Hold" strategy over a specific period, supported by quantitative evidence. This approach offers several advantages over conventional methods, including improved computational efficiency, ease of implementation, and reduced de-pendence on extensive feature engineering. Furthermore, its adaptability to various financial market datasets makes it a versatile tool for making predicti-ons within the intricate world of financial markets. In summary, this thesis introduces an innovative approach for financial market trend prediction, employing a community of CNNs and GAF images. The use of multi-resolution imaging and GAF images provides a more efficient and effecti-ve solution for financial market forecasting. This approach is applicable to di-verse financial market datasets, making it a valuable tool for investors seeking insights into market trends, delivering reliable and impactful results.
In recent years, financial markets have gained significant attention from pat-tern recognition researchers due to their substantial impact on the global eco-nomy. Precise financial predictions have become invaluable, given the inherent volatility of financial data. To address this challenge, deep learning models such as Convolutional Neural Networks (CNNs) have emerged as a popular appro-ach. This thesis proposes a novel method for forecasting future trends in IBM stocks by encoding Gramian Angular Fields (GAF) images and training a com-munity of CNNs. This method leverages a multi-resolution imaging strategy that allows individual CNNs to analyze different time intervals effectively, effectively handling the high volatility of financial market data. The proposed approach was rigorously evaluated within a simple trading sys-tem, yielding results that outperformed the traditional "Buy and Hold" strategy over a specific period, supported by quantitative evidence. This approach offers several advantages over conventional methods, including improved computational efficiency, ease of implementation, and reduced de-pendence on extensive feature engineering. Furthermore, its adaptability to various financial market datasets makes it a versatile tool for making predicti-ons within the intricate world of financial markets. In summary, this thesis introduces an innovative approach for financial market trend prediction, employing a community of CNNs and GAF images. The use of multi-resolution imaging and GAF images provides a more efficient and effecti-ve solution for financial market forecasting. This approach is applicable to di-verse financial market datasets, making it a valuable tool for investors seeking insights into market trends, delivering reliable and impactful results.
Açıklama
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
