Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini

Abstract

Son yıllarda, bilgisayarların donanımındaki teknolojik gelişmeler ve makine öğrenme tekniklerindeki gelişmeler nedeniyle, "Büyük Veri" ve "Paralel İşleme" kullanımı olmak üzere problem çözmek için iki artan yaklaşım vardır. Özellikle GPU'lar gibi çok çekirdekli bilgi işlem aygıtlarında paralel olarak gerçekleştirilebilen Derin Öğrenme algoritmalarının ortaya çıkmasıyla, bu yaklaşımlarla birçok gerçek dünya problemleri çözülebilmektedir. Derin öğrenme modelleri eğitildikleri veri ile sınıflandırma, regresyon analizi ve zaman serilerinde tahmin gibi uygulamalarda büyük başarılar göstermektedir. Bu modellerin finansal piyasadaki en aktif uygulama alanlarından biri özellikle borsada işlem gören hisse senetlerinin tahmini işlemleridir. Bu alanda amaç, pazardaki değişim süreci hakkındaki hisse senedinin önceki günlük verilerine bakarak kısa veya uzun vadeli gelecekteki değerini tahmin etmeye çalışmaktır. Bu çalışmada, LSTM, GRU ve BLSTM isimli 3 farklı derin öğrenme modeli kullanılarak bir hisse senedi tahmin sistemi geliştirilip, kullanılan modeller arasında karşılaştırmalı bir analiz yapıldı. Spekülatif hareketlerden uzak olması için veri seti olarak 1968'den 2018'e kadar olan New York Borsası'ndan hisse senedinin zaman serisi değerlerini kullanıldı. Spesifik olarakta IBM hisse senedi ile test çalışmaları yapıldı. Deneysel sonuçlar BLSTM modelinin 5 günlük girdi verileriyle eğitilmesi ile %63,54 lük bir yönsel doğruluk değerine ulaşıldığını göstermektedir.

In recent years, due to the technological advances in computer hardware and enhancements in machine learning techniques, there are two hot research areas in problem solving, the use of "Big Data" and "Parallel Processing". Many real-world problems can be solved with the use of different Deep Learning algorithms, which can be realized in parallel with multicore computing devices such as GPUs. Deep learning models show great success in applications such as classification of raw data, regression analysis and estimation in time series. One of the most active application areas of these models is “the financial market” which aims a good estimation of stock prices in the exchange market. In this paper, it is aimed to forecast the short or long term future value by looking at the previous log data of the stock on the process of change in the market. In this study, a price forecasting system was developed by using 3 different deep learning models named LSTM, GRU and BLSTM with a comparative analysis between them. The time series values of the stock were used from the New York Stock Exchange from 1968 to 2018 as a set of data to be free of speculative movements. Specifically, tests were conducted on IBM stock. Experimental results show that the directional accuracy of 63.54% was achieved with the BLSTM model where the last 5-day transaction data of the stock were used as input.