Geri Dön

Finansal zaman serisi görüntü temsillerinin ön-eğitimli evrişimsel sinir ağları ile sınıflandırılması yoluyla alım satım sinyal tahmini ve algoritmik ticaret uygulamaları

Trading signal forecasting and algorithmic trading applications via classification of financial time series image representations using pre-trained convolutional neural networks

PDF İndir

  1. Tez No: 977529
  2. Yazar: YAHYA ALTUNTAŞ
  3. Danışmanlar: DOÇ. DR. ADNAN FATİH KOCAMAZ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu doktora tezinde, finansal zaman serisi tahmini yoluyla finansal varlıklar için uygun alım-satım zamanlarının belirlenmesi hedeflenmiştir. Araştırma, algoritmik ticaretin temel bileşeni olan alım-satım kararlarının otomatikleştirilmesi bağlamında, derin öğrenmeye dayalı bir çerçeve önermektedir. Çalışmanın temel problemi; geçmiş finansal zaman serisi verilerinden elde edilen teknik analiz göstergelerine ait grafiklerin, görüntü sınıflandırma yaklaşımları ile işlenerek gelecekteki fiyat hareketlerinin tahmin edilip edilemeyeceği ve bu tahminlere dayalı işlemlerin kârlı olup olamayacağıdır. Bu amaç doğrultusunda, finansal zaman serisi verileri çeşitli teknik analiz göstergeleri aracılığıyla görüntü temsillerine dönüştürülmüş, bu görüntüler ön-eğitimli evrişimsel sinir ağı (CNN) modelleri ile transfer öğrenme yaklaşımı kullanılarak sınıflandırılmıştır. Öğrenme algoritmalarının performansını artırmak amacıyla, CNN tahmin çıktılarının göreceli güç endeksi (RSI) göstergesi ile desteklenmesi yoluyla heuristik bir karar mekanizması önerilmiş, bunun yanı sıra derin öğrenme modellerinin stokastik yapısından kaynaklanan varyansın finansal etkilerini dengelemek amacıyla topluluk öğrenme yaklaşımı geliştirilmiştir. Elde edilen deneysel sonuçlar, önerilen modellerin altın, gümüş, borsa endeksleri ve hisse senedi gibi çeşitli finansal enstrümanlarda geleneksel alım-satım stratejilerine kıyasla daha yüksek kârlılık sağladığını ortaya koymuştur. Model sınıflandırma başarımları sınıra yakın değerlerde seyretmesine rağmen, yapılan kârlılık analizlerinde anlamlı ve istikrarlı bir performans üstünlüğü elde edilmiştir. Bu bulgu, literatürdeki yaygın kabulün aksine, sınıflandırma doğruluğundaki artışların her zaman kârlılık sağlamadığını; bu nedenle kârlılık analizlerinin algoritmik ticaret modellerinde mutlaka değerlendirilmesi gerektiğini göstermektedir. Bu tez çalışması, finansal tahminleme ve algoritmik ticaret alanında derin öğrenmenin potansiyelini ortaya koyarken; transfer öğrenmenin farklı bir alana uygulanması, RSI tabanlı karar mekanizmasının entegrasyonu ve topluluk öğrenme modeli ile yeniden üretilebilir ve istikrarlı finansal sonuçların elde edilmesi gibi özgün yöntemsel katkılar sunmaktadır.

Özet (Çeviri)

This doctoral dissertation aims to determine the optimal timing for trading financial assets through financial time series forecasting. Within the context of automating trading decisions, which constitute the core component of algorithmic trading, the research proposes a deep learning–based framework. The central problem of the study is whether graphical representations of technical indicators derived from historical financial time series data can be processed using image classification approaches to predict future price movements, and whether trades executed based on these predictions can be profitable. For this purpose, financial time series data were transformed into image representations using various technical indicators, and these images were classified through pre-trained Convolutional Neural Network (CNN) models by means of transfer learning. To enhance the performance of the learning algorithms, a heuristic decision mechanism was proposed by integrating CNN prediction outputs with the Relative Strength Index (RSI) indicator. In addition, an ensemble learning approach was developed to balance the financial impacts of the variance stemming from the stochastic nature of deep learning models. The experimental results revealed that the proposed models achieved higher profitability compared to conventional trading strategies across various financial instruments, including gold, silver, stock indices, and equities. Although the classification accuracies of the models hovered around marginal values, the profitability analyses demonstrated a significant and consistent superiority in financial performance. This finding indicates, contrary to common assumptions in the literature, that improvements in classification accuracy do not always translate into profitability; hence, profitability analyses must be considered an essential component of algorithmic trading model evaluation. This dissertation highlights the potential of deep learning in financial forecasting and algorithmic trading, while offering original methodological contributions such as the application of transfer learning to a novel domain, the integration of an RSI-based decision mechanism, and the development of an ensemble learning model that enables reproducible and stable financial outcomes.

Benzer Tezler

  1. Tez No

    812649

    Derin öğrenme ile döviz kurları değişimlerinin zaman serisi analizi

    Time series analysis of exchange rate changes with deep learning

    BÜŞRA AKSEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikGazi Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. HACI HASAN ÖRKCÜ

    PROF. DR. REŞAT KASAP

  2. Tez No

    682717

    Yeni bir evrişimsel sinir ağı modeli ile zaman serisi öngörüsü

    Time series prediction with a new convolutional neural network model

    MELİH KİRİŞCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    İstatistikGiresun Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. ÖZGE CAĞCAĞ YOLCU

  3. Tez No

    858655

    Deep transformer-based asset price and direction prediction

    Derı̇n transformatör tabanlı varlık fı̇yatı ve yön tahmı̇nı̇

    ABDUL HALUK BATUR GEZİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRE SEFER

  4. Tez No

    835678

    Finansal zaman serisi verilerini görüntülere kodlanarak top-luluk evrişimli sinir ağları yöntemi ile tahmin edilmesi

    Encoding time-series data into images for financial forecasting using convolutional neural networks (CNN)

    SHIRAZ AMADU BELLO

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA CEM KASAPBAŞI

  5. Tez No

    838539

    Finansal zaman serisi tahmininde açıklanabilir yapay zeka ile makine öğrenimi tahmin performansının geliştirilmesi

    Improving machine learning prediction performance with explainable artificial intelligence in financial time series prediction

    TAHA BUĞRA ÇELİK

    Doktora

    Türkçe

    Türkçe

    2023

    İşletmeOndokuz Mayıs Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. ELİF BULUT

    DR. ÖĞR. ÜYESİ ÖZGÜR İCAN

Geri Dön