| dc.creator |
Güney, Elif Nur,
1994-
author
241629 |
|
| dc.creator |
Toyganözü, Cüneyt,
1972-
thesis advisor
32137 |
|
| dc.creator |
Süleyman Demirel Üniversitesi.
Sosyal Bilimler Enstitüsü.
Ekonometri Anabilim Dalı.
issuing body
14613 |
|
| dc.date |
2022. |
|
| dc.date.accessioned |
2025-02-25T10:46:25Z |
|
| dc.date.available |
2025-02-25T10:46:25Z |
|
| dc.identifier |
http://tez.sdu.edu.tr/Tezler/TS04070.pdf |
|
| dc.identifier.uri |
http://acikerisim.sdu.edu.tr/xmlui/handle/123456789/102105 |
|
| dc.description |
Yapay zeka ve makine öğrenmesinin bir alt kategorisi olan derin öğrenme, finanstan sağlığa, ses tanımadan duygu analizine her alanda uygulaması olan bir öğrenme yöntemidir. Bu tez çalışmasında önce derin öğrenmenin tarihçesi, temelleri, algoritmaları ve modelleri hakkında bilgiler verilmiş, derin öğrenme modellerinden Yinelemeli Sinir Ağları (RNN), Uzun-Kısa Dönem Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) modelleri karşılaştırılarak bir şirketin hisse senedi günlük kapanış değerleri ile 30, 60, 90, 120 günlük fiyat öngörüsü yapılmıştır. Ayrıca, derin öğrenme uygulamalarında, zaman serisi analizinde kullanılan varsayımların yapılan tahmin veya öngörüleri etkilemediği, gereken birim-kök testleri kullanılarak gösterilmiştir. Kullanılan veri grubundan elde edilen sonuçlar ile Geçitli Tekrarlayan Birim'in (GRU), Uzun-Kısa Dönem Bellek (LSTM) ve Yinelemeli Sinir Ağları'na (RNN) göre daha başarılı tahmin yaptığı gözlemlenmiştir. Anahtar Kelimeler: Derin Öğrenme, Hisse Senedi Öngörüsü, Yinelemeli Sinir Ağı (RNN), Uzun-Kısa Dönem Bellek (LSTM), Geçitli Tekrarlayan Birim (GRU) |
|
| dc.description |
Deep learning, a subcategory of artificial intelligence and machine learning, is a learning method that has applications in every field from finance to health, from voice recognition to sentiment analysis. In this study, information about the history, foundations, algorithms and models of deep learning is given, Then, by comparing deep learning models, Recurrent Neural Networks, Long-Short Term Memory and Gated Recurrent Unit models, the Daily closing values of shares of owned by a company . Price Forecasts were made for 30, 60, 90, 120 days. In addition, in deep learning applications, it has been shown by using necessary Unit-Root Tests that the assumptions used in time series analysis don't affect the forecasts or forecasts made. With the results obtained from the data set used, it has been observed that the Gated Recurrent Unit (GRU) predicts more successfully than Long-Short-Term Memory (LSTM) and Iterative Neural Networks (RNN). Keywords: Deep Learning, Stock Price Forecast, Recurrent Neural Network (RNN), Long Short Term Memory (LTSM), Gated Recurrent Unit (GRU) |
|
| dc.description |
Tez (Yüksek Lisans), Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, 2022. |
|
| dc.description |
Kaynakça var. |
|
| dc.description |
Yapay zeka ve makine öğrenmesinin bir alt kategorisi olan derin öğrenme, finanstan sağlığa, ses tanımadan duygu analizine her alanda uygulaması olan bir öğrenme yöntemidir. Bu tez çalışmasında önce derin öğrenmenin tarihçesi, temelleri, algoritmaları ve modelleri hakkında bilgiler verilmiş, derin öğrenme modellerinden Yinelemeli Sinir Ağları (RNN), Uzun-Kısa Dönem Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) modelleri karşılaştırılarak bir şirketin hisse senedi günlük kapanış değerleri ile 30, 60, 90, 120 günlük fiyat öngörüsü yapılmıştır. Ayrıca, derin öğrenme uygulamalarında, zaman serisi analizinde kullanılan varsayımların yapılan tahmin veya öngörüleri etkilemediği, gereken birim-kök testleri kullanılarak gösterilmiştir. Kullanılan veri grubundan elde edilen sonuçlar ile Geçitli Tekrarlayan Birim'in (GRU), Uzun-Kısa Dönem Bellek (LSTM) ve Yinelemeli Sinir Ağları'na (RNN) göre daha başarılı tahmin yaptığı gözlemlenmiştir. Anahtar Kelimeler: Derin Öğrenme, Hisse Senedi Öngörüsü, Yinelemeli Sinir Ağı (RNN), Uzun-Kısa Dönem Bellek (LSTM), Geçitli Tekrarlayan Birim (GRU) |
|
| dc.description |
Deep learning, a subcategory of artificial intelligence and machine learning, is a learning method that has applications in every field from finance to health, from voice recognition to sentiment analysis. In this study, information about the history, foundations, algorithms and models of deep learning is given, Then, by comparing deep learning models, Recurrent Neural Networks, Long-Short Term Memory and Gated Recurrent Unit models, the Daily closing values of shares of owned by a company . Price Forecasts were made for 30, 60, 90, 120 days. In addition, in deep learning applications, it has been shown by using necessary Unit-Root Tests that the assumptions used in time series analysis don't affect the forecasts or forecasts made. With the results obtained from the data set used, it has been observed that the Gated Recurrent Unit (GRU) predicts more successfully than Long-Short-Term Memory (LSTM) and Iterative Neural Networks (RNN). Keywords: Deep Learning, Stock Price Forecast, Recurrent Neural Network (RNN), Long Short Term Memory (LTSM), Gated Recurrent Unit (GRU) |
|
| dc.language |
tur |
|
| dc.publisher |
Isparta : Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü, |
|
| dc.subject |
Süleyman Demirel Üniversitesi |
|
| dc.title |
Derin öğrenmede istatistiksel yöntemlerle hisse senedi fiyatı öngörüsü = Stock price forecast with statistical methods in deep learning / |
|
| dc.type |
text |
|