Finansal Piyasalarda Hisse Fiyatlarının Derin Öğrenme ve Yapay Sinir Ağı Yöntemleri ile Tahmin Edilmesi; S&P 500 Endeksi Örneği

• Published in: Düzce Üniversitesi bilim ve teknoloji dergisi (Online) Vol. 9; no. 3; pp. 446 - 460
• Main Authors: TAŞ, Ali İsa, GÜLÜM, Pelin, TULUM, Gökalp
• Format: Journal Article
• Language: English
• Published: 29.05.2021
• ISSN: 2148-2446; 2148-2446
• DOI: 10.29130/dubited.820620

Gelişen teknolojiler sayesinde günümüzde bilgisayarların gücü artmış ve bununla birlikte farklı amaçlara hizmet eden birçok algoritma geliştirilmiştir. Bu algoritmalar birçok alanda olduğu gibi finans alanında da sıkça kullanılmakta ve karar vermenin farklı boyutlarında destekleyici bir rol üstlenmektedir. Özellikle ortaya çıkması muhtemel durumların önceden öngörülmesinin hayati önem taşıdığı borsa işlemlerinde tahmin yöntemlerine sıkça başvurulmaktadır. Bu çalışmada Yahoo Finans üzerinden elde edilen S&P 500 endeksine ait veriler kullanılarak derin öğrenme ve sığ öğrenme yöntemleri yardımıyla geleceğe yönelik fiyat tahminleme çalışması gerçekleştirilmiştir. Bu bağlamda 12.08.2000 ile 13.8.2020 tarihleri arasındaki günlük fiyat verileri ilk 19 sene (veri setinin %95’i)eğitim, son 1 sene (ver setinin %5’i) test olacak şekilde ayrılarak uzun kısa süreli bellek (LSTM) ve çok katmanlı algılayıcılar (MLP) yöntemleri tahmin gerçekleştirilmiştir. Eğitim, test ve tüm veri kök ortalama karesel hatalarının LSTM ağı için sırasıyla 17.3, 65.3 ve 22 dolar, MLP ağı için sırası ile 16.1,61.2 ve 20.6 dolar bulunmuştur. Bu da kullanılan her iki yöntemde elde edilen eğitim ve test hatalarının birbirine yakın sonuçlar verdiğini ve bu yöntemlerin tahmin çalışmaları için uygun seçenekler olduğunu göstermektedir. Thanks to the developing technologies, the power of computers has increased and many algorithms have been developed that serve different purposes. These algorithms are frequently used in finance as well as in many other fields and play a supportive role in different dimensions of decision-making. Forecasting methods are frequently used especially in stock exchange transactions where predicting possible situations in advance is vital. In this study, the future price estimation study was carried out with the help of deep learning and shallow learning methods using the data of the S&P 500 index obtained through Yahoo Finance. In this context, the daily price data between 12.08.2000 and 13.8.2020 is divided into the first 19 years (95% of the data set) training, the last 1 year (5% of the data set) as a test, and long short term memory (LSTM) and multilayer perceptron (MLP) methods have been estimated. Training, test, and all data root mean square errors were 17.3, 65.3 and 22 dollars for the LSTM network, 16.1,61.2 and 20.6 dollars for the MLP network, respectively. This shows that the training and test errors obtained in both methods used give similar results and these methods are suitable options for prediction studies.