Geri Dön

Deep learning for time-series forecasting of currency exchange rates

Döviz kuru oranlarının zaman serisi tahmini için derin öğrenme

PDF İndir

  1. Tez No: 609492
  2. Yazar: MUSTAFA JABBAR SAFI AL-ASADI
  3. Danışmanlar: PROF. DR. MEHMET FATİH AKAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tezin temel amacı, derin öğrenme yöntemlerini kullanarak döviz kurlarının zaman serisi tahmini için yeni doğru modeller geliştirmek, yani Yinelenen Sinir Ağı (RNN), Uzun Kısa Süreli Bellek (LSTM), Evrişimli Sinir Ağı (CNN) ve Otoregresif Entegre Hareketli Ortalama (ARIMA) saatlik ve günlük veri setlerinde üç döviz çiftinin (USD / TRY), (EUR / TRY) ve (EUR / USD) kapanış oranlarını tahmin etmektir. Gelişim ortamı tarafından tahmin modelleri iki farklı tahmin yaklaşımı (Eğitim test oranı) ve öngörü modelleri (tahmin sayısı) oluşturulmuştur. Tüm modellerin performansı, Ortalama Mutlak Yüzde Hatası (MAPE) değerleri hesaplanarak değerlendirilmiştir. Elde edilen sonuçlara göre, tahmin modelleri tüm yöntemler için tahmin modellerine kıyasla daha iyi sonuçlar vermektedir. Genel olarak, CNN tabanlı modeller, diğer yöntemlerle geliştirilen modellerden daha iyi performans göstermektedir. Tahmin modellerine yönelik yöntemlerin, MAPE'lere dayanan performansları bakımından en iyiden en kötüsüne kadar olan sıraları CNN, RNN, LSTM ve ARIMA'dir, modellerin tahmininde ise yöntemlerin uygunluk sırası CNN, LSTM, RNN ve ARIMA olarak görünmektedir.

Özet (Çeviri)

The main objective of this thesis is to develop new accurate models for time series forecasting of currency exchange rates using deep learning methods, namely Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN) and Auto-Regressive Integrated Moving Average (ARIMA) to forecast closing rates of three currency pairs, which are (USD/TRY), (EUR/TRY) and (EUR/USD) for hourly and daily data sets. Two different prediction approaches created by the development environment, which are prediction models (train-test ratio) and forecasting models (number of forecasts). The performance of all models was evaluated by calculating the values of Mean Absolute Percentage Error (MAPE). According to the results obtained, the forecasting models yields better results compared to prediction models for all methods. Generally, CNN based models show better performance than the models developed by other methods. The order of the methods for prediction models in terms of their performance based on the MAPE's, from the best to the worst, is CNN, RNN, LSTM and ARIMA while for forecasting models the favorability order for the methods appears as CNN, LSTM, RNN and ARIMA.

Benzer Tezler

  1. Tez No

    696688

    Evaluation of bitcoin price changes before and after COVID-19 by machine learning, time series analysis and deep learning algorithms

    COVID-19 öncesi ve sonrasındaki bitcoin fiyat değişimlerinin makine öğrenmesi, zaman serileri analizi ve derin öğrenme yöntemleriyle değerlendirilmesi

    UĞUR KAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. İHSAN TOLGA MEDENİ

  2. Tez No

    627218

    Zaman Serisi Analizi ve Derin Öğrenme Modelleri Kullanarak Amerikan Doları/Türk Lirası Döviz Kuru İçin Hibrid Tahmin Modeli

    A Hybrid Forecasting Model for American Dollar/Turkish Lira Exchange Rate Using Time Series Analysis and Deep Learning Models

    HARUN YAŞAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ

  3. Tez No

    717325

    Üçüncü parti lojistik platformunda talep tahmini için derin öğrenme yaklaşımları

    Deep learning approaches for demand forecasting in a third-party logistics platform

    AYŞE ZEYBEL PEKÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Endüstri ve Endüstri MühendisliğiBursa Uludağ Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TÜLİN İNKAYA

  4. Tez No

    495022

    Time series forecasting on solar radiation using deep learning

    Güneş ışınımı üzerinde derin öğrenme kullanarak zaman serileri tahmini

    MURAT CİHAN SORKUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZLEM DURMAZ İNCEL

  5. Tez No

    701375

    Muş Devlet Hastanesi hasta radyolojik görüntü sayılarının, bir zaman serisi olarak derin öğrenme yöntemleri kullanılarak gelecek tahminlerinin yapılması

    Making future predictions of Muş State Hospital patient radiological image numbers as a time series by using deep learning Methods

    ERKAN YALDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Radyoloji ve Nükleer TıpMuş Alparslan Üniversitesi

    Nükleer Enerji ve Enerji Sistemleri Ana Bilim Dalı

    DOÇ. DR. ZEYDİN PALA

Geri Dön