Ensemble learning for automated asset return forecast
Otomatik varlık getirisi tahmini için topluluk öğrenme
- Tez No: 855854
- Danışmanlar: DOÇ. DR. TANER ARSAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Getiri tahmin edilebilirliği, Makine öğrenmesi, Tahminleme, Zaman serileri analizi, Return predictability, Machine learning, Forecasting, Time series analysis
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin amacı, yeni tahmin modellerinin eğitimi, doğulanması ve test edilmesindeki zorlukları azaltılmış zaman maliyeti ve karmaşıklıkla ele alan bir makine öğrenimi operasyon mimarisi sağlamaktır. Bu mimari, birleştirme teknikleri yoluyla finansal zaman serisi tahmini için çeşitli tahmin modellerini bir araya getirmeye yönelik bir araç sağlar. Önerilen metodoloji, değişen ve ani piyasa davranışları için güvenilir bir tahmin üretmek amacıyla çoklu tahmin sonuçlarının entegrasyonunu araştırmaktadır. Bu mimarinin işlevselliği, Hareketli Ortalama Yakınsama Iraksama, Gizli Markov Modeli, Uzun Kısa Süreli Bellek ve Transformer modelleri gibi teknik analiz ve derin öğrenme teknikleri uygulanarak araştırılmaktadır. Bu çalışma, bu modellerin performansını üç farklı varlık sınıfı için incelemektedir.
Özet (Çeviri)
The purpose of this thesis is to provide a machine learning operations architecture that addresses the challenges of training, validating, and testing new prediction models with reduced time cost and complexity. This architecture provides a tool to ensemble various prediction models for financial time series forecast through ensemble techniques. The proposed methodology investigates the integration of multiple prediction results to produce a reliable prediction for varying and sudden market behaviors. The functionality of this architecture is investigated by implementing technical analysis and deep learning techniques such as Moving Average Convergence Divergence, Hidden Markov Model, Long Short-Term Memory, and Transformer models. This study inspects the performance of these models for three different asset classes.
Benzer Tezler
- Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma
Multi-class classification for skin lesions using deep learning techniques
ÜMMÜHAN KOPAL
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI
- Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması
Analyzing diabetes data set using rough clustering theory and establishing a real-time data analytics system for diagnosis of diabetes disease
MEHMET YÜKSEL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN DEMİRCİ
- Seröz efüzyon sitopatolojisinde makine öğrenmesi tabanlı tanı yaklaşımlarının geliştirilmesi ve uygulanması
Development and implementation of machine learning based diagnosis approaches in serous effusion cytopathology
ELİF BAYKAL KABLAN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT EKİNCİ
- Domates hastalıklarının sınıflandırılması için makine öğrenmesi ve derin öğrenme temelli yeni yaklaşımlar
New approaches to classification of tomato diseases based on machine learning and deep learning
HASAN ULUTAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ
- CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü
Part control with machine learning from data on CMM device
ZEYNEP BİRGİN
Yüksek Lisans
Türkçe
2024
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAY CANİKOĞLU