Research Article
BibTex RIS Cite

Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli

Year 2022, Volume: 15 Issue: 1, 6 - 13, 27.06.2022

Zinnet Duygu Akşehir , Erdal Kılıç

https://doi.org/10.54525/tbbmd.1073368
Cited By: 2

Abstract

Bu çalışmada literatürdeki borsa tahmini kapsamında son yıllarda yapılan çalışmalar detaylı bir şekilde incelenmiştir. İncelenen çalışmalar doğrultusunda evrişimsel sinir ağları (CNN) modelinin borsa tahmini alanına uyarlandığı ve başarılı sonuçlar verdiği gözlemlenmiştir. Bu kapsamda Dow30 endeksinde yer alan hisse senetlerinin bir gün sonraki pozisyonunu (al, sat, tut) tahmin etmek için 2D-CNN tabanlı bir model kullanılmıştır. Bu model için hisse senedi kapanış fiyatları, teknik göstergeler, altın fiyatı, altın oynaklık endeksi, petrol fiyatı ve petrol oynaklık endeksi verileri kullanılarak görüntü tabanlı girdi değişken kümesi oluşturulmuştur. Ayrıca bu çalışmada veri dengesizliği problemini çözmek için yeni bir kural tabanlı etiketleme algoritması önerilmiş ve buna ek olarak elde edilen görüntüler üzerinde döndürme işlemi gerçekleştirilmiştir. Kaydırmalı eğitim-test yaklaşımını kullanan CNN modelinin tahmin performansı literatürdeki diğer çalışmalarla kıyaslanmıştır. Deney sonuçları, veri dengesizliği problemini gidermek için önerilen yaklaşımın CNN modeli ile birlikte kullanıldığında diğer CNN tabanlı çalışmalardan daha yüksek başarı sağladığını göstermiştir. Ayrıca önerilen bu yaklaşımın, modelin tahmin performansını literatürdeki aynı amaçla önerilen Chen ve Huang’ın yaklaşımından daha fazla iyileştirdiği gözlemlenmiştir.

Keywords

Hisse senedi tahmini Evrişimsel sinir ağları Etiketleme Veri dengesizliği

References

  • Fama, E. F. Random Walks in Stock Market Prices, Financial Analysts Journal, 1995, 51(1), pp. 75-80.
  • Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. Predicting Direction of Stock Price Index Movement Using Artificial Neural Networks and Support Vector Machines: The Sample of The Istanbul Stock Exchange, Expert Systems with Applications, 2011, 38(5), pp. 5311-5319.
  • Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. Stock Price Prediction Using LSTM, RNN and CNN-Sliding Window Model, In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1643-1647. IEEE.
  • Tekin, S., & Çanakoğlu, E. Analysis of Price Models in Istanbul Stock Exchange, In 2019 27th Signal Processing and Communications Applications Conference (SIU), 2019, pp. 1-4. IEEE.
  • Unal, B., & Aladag, C. H. Stock Exchange Prediction via Long Short-Term Memory Networks, Proceedings Book, 2019, 246.
  • Parmar, I., Agarwal, N., Saxena, S., Arora, R., Gupta, S., Dhiman, H., & Chouhan, L. Stock Market Prediction Using Machine Learning, In 2018 First International Conference on Secure Cyber Computing and Communication (ICSCCC), 2018, pp. 574-576. IEEE.
  • Vijh, M., Chandola, D., Tikkiwal, V. A., & Kumar, A. Stock Closing Price Prediction Using Machine Learning Techniques, Procedia Computer Science, 2020, 167, pp. 599-606.
  • Du, J., Liu, Q., Chen, K., & Wang, J. Forecasting Stock Prices in Two Ways Based on LSTM Neural Network, In 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 2019, pp. 1083-1086. IEEE.
  • Alhazbi, S., Said, A. B., & Al-Maadid, A. Using Deep Learning to Predict Stock Movements Direction in Emerging Markets: The Case of Qatar Stock Exchange, In 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT), 2020, pp. 440-444. IEEE.
  • Sezer, O. B., & Ozbayoglu, A. M. Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach, Applied Soft Computing, 2018, 70, pp. 525-538.
  • Sim, H. S., Kim, H. I., & Ahn, J. J. Is Deep Learning for Image Recognition Applicable to Stock Market Prediction?, Complexity, 2019.
  • Thakkar, A., & Chaudhari, K. A Comprehensive Survey on Deep Neural Networks for Stock Market: The Need, Challenges, and Future Directions, Expert Systems with Applications, 2021, 177, 114800.
  • Chen, Y. C., & Huang, W. C. Constructing A Stock-Price Forecast CNN Model with Gold and Crude Oil Indicators, Applied Soft Computing, 2021, 112, 107760.
  • Chandar, S. K. Convolutional Neural Network for Stock Trading Using Technical Indicators, Automated Software Engineering, 2022, 29(1), pp. 1-14.
  • Jiang, W. Applications of Deep Learning in Stock Market Prediction: Recent Progress, Expert Systems with Applications, 2021, 184, 115537.
  • Hu, Z., Zhao, Y., & Khushi, M. A Survey of Forex and Stock Price Prediction Using Deep Learning, Applied System Innovation, 2021, 4(1), 9.
  • Ji, Y., Liew, A. W. C., & Yang, L. A Novel Improved Particle Swarm Optimization with Long-Short Term Memory Hybrid Model for Stock Indices Forecast, IEEE Access, 2021, 9, pp. 23660-23671.

Year 2022, Volume: 15 Issue: 1, 6 - 13, 27.06.2022

Zinnet Duygu Akşehir , Erdal Kılıç

https://doi.org/10.54525/tbbmd.1073368
Cited By: 2

Abstract

References

  • Fama, E. F. Random Walks in Stock Market Prices, Financial Analysts Journal, 1995, 51(1), pp. 75-80.
  • Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. Predicting Direction of Stock Price Index Movement Using Artificial Neural Networks and Support Vector Machines: The Sample of The Istanbul Stock Exchange, Expert Systems with Applications, 2011, 38(5), pp. 5311-5319.
  • Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. Stock Price Prediction Using LSTM, RNN and CNN-Sliding Window Model, In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, pp. 1643-1647. IEEE.
  • Tekin, S., & Çanakoğlu, E. Analysis of Price Models in Istanbul Stock Exchange, In 2019 27th Signal Processing and Communications Applications Conference (SIU), 2019, pp. 1-4. IEEE.
  • Unal, B., & Aladag, C. H. Stock Exchange Prediction via Long Short-Term Memory Networks, Proceedings Book, 2019, 246.
  • Parmar, I., Agarwal, N., Saxena, S., Arora, R., Gupta, S., Dhiman, H., & Chouhan, L. Stock Market Prediction Using Machine Learning, In 2018 First International Conference on Secure Cyber Computing and Communication (ICSCCC), 2018, pp. 574-576. IEEE.
  • Vijh, M., Chandola, D., Tikkiwal, V. A., & Kumar, A. Stock Closing Price Prediction Using Machine Learning Techniques, Procedia Computer Science, 2020, 167, pp. 599-606.
  • Du, J., Liu, Q., Chen, K., & Wang, J. Forecasting Stock Prices in Two Ways Based on LSTM Neural Network, In 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 2019, pp. 1083-1086. IEEE.
  • Alhazbi, S., Said, A. B., & Al-Maadid, A. Using Deep Learning to Predict Stock Movements Direction in Emerging Markets: The Case of Qatar Stock Exchange, In 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT), 2020, pp. 440-444. IEEE.
  • Sezer, O. B., & Ozbayoglu, A. M. Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach, Applied Soft Computing, 2018, 70, pp. 525-538.
  • Sim, H. S., Kim, H. I., & Ahn, J. J. Is Deep Learning for Image Recognition Applicable to Stock Market Prediction?, Complexity, 2019.
  • Thakkar, A., & Chaudhari, K. A Comprehensive Survey on Deep Neural Networks for Stock Market: The Need, Challenges, and Future Directions, Expert Systems with Applications, 2021, 177, 114800.
  • Chen, Y. C., & Huang, W. C. Constructing A Stock-Price Forecast CNN Model with Gold and Crude Oil Indicators, Applied Soft Computing, 2021, 112, 107760.
  • Chandar, S. K. Convolutional Neural Network for Stock Trading Using Technical Indicators, Automated Software Engineering, 2022, 29(1), pp. 1-14.
  • Jiang, W. Applications of Deep Learning in Stock Market Prediction: Recent Progress, Expert Systems with Applications, 2021, 184, 115537.
  • Hu, Z., Zhao, Y., & Khushi, M. A Survey of Forex and Stock Price Prediction Using Deep Learning, Applied System Innovation, 2021, 4(1), 9.
  • Ji, Y., Liew, A. W. C., & Yang, L. A Novel Improved Particle Swarm Optimization with Long-Short Term Memory Hybrid Model for Stock Indices Forecast, IEEE Access, 2021, 9, pp. 23660-23671.
There are 17 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler(Araştırma)
Authors

Zinnet Duygu Akşehir 0000-0002-6834-6847

Erdal Kılıç 0000-0003-1585-0991

Early Pub Date June 27, 2022
Publication Date June 27, 2022
Published in Issue Year 2022 Volume: 15 Issue: 1

Cite

APA Akşehir, Z. D., & Kılıç, E. (2022). Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 15(1), 6-13. https://doi.org/10.54525/tbbmd.1073368
AMA Akşehir ZD, Kılıç E. Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli. TBV-BBMD. June 2022;15(1):6-13. doi:10.54525/tbbmd.1073368
Chicago Akşehir, Zinnet Duygu, and Erdal Kılıç. “Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım Ve 2D-CNN Modeli”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 15, no. 1 (June 2022): 6-13. https://doi.org/10.54525/tbbmd.1073368.
EndNote Akşehir ZD, Kılıç E (June 1, 2022) Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 15 1 6–13.
IEEE Z. D. Akşehir and E. Kılıç, “Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli”, TBV-BBMD, vol. 15, no. 1, pp. 6–13, 2022, doi: 10.54525/tbbmd.1073368.
ISNAD Akşehir, Zinnet Duygu - Kılıç, Erdal. “Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım Ve 2D-CNN Modeli”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 15/1 (June 2022), 6-13. https://doi.org/10.54525/tbbmd.1073368.
JAMA Akşehir ZD, Kılıç E. Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli. TBV-BBMD. 2022;15:6–13.
MLA Akşehir, Zinnet Duygu and Erdal Kılıç. “Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım Ve 2D-CNN Modeli”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, vol. 15, no. 1, 2022, pp. 6-13, doi:10.54525/tbbmd.1073368.
Vancouver Akşehir ZD, Kılıç E. Hisse Senedi Tahmininde Karşılaşılan Veri Dengesizliği Problemi için Yeni Bir Kural Tabanlı Yaklaşım ve 2D-CNN Modeli. TBV-BBMD. 2022;15(1):6-13.

Cited By

Evrişimsel Sinir Ağları ile Görüntülerde Gürültü Türünü Saptama
Bilgisayar Bilimleri ve Mühendisliği Dergisi
https://doi.org/10.54525/bbmd.1454595
Sector-Based Stock Price Prediction with Machine Learning Models
Sakarya University Journal of Computer and Information Sciences
https://doi.org/10.35377/saucis...1200151
 Download Cover Image

https://i.creativecommons.org/l/by-nc/4.0Makale Kabulü

 

Çevrimiçi makale yüklemesi yapmak için kullanıcı kayıt/girişini kullanınız.

Dergiye gönderilen makalelerin kabul süreci şu aşamalardan oluşmaktadır:

1.       Gönderilen her makale ilk aşamada en az iki hakeme gönderilmektedir.

2.       Hakem ataması, dergi editörleri tarafından yapılmaktadır. Derginin hakem havuzunda yaklaşık 200 hakem bulunmaktadır ve bu hakemler ilgi alanlarına göre sınıflandırılmıştır. Her hakeme ilgilendiği konuda makale gönderilmektedir. Hakem seçimi menfaat çatışmasına neden olmayacak biçimde yapılmaktadır.

3.       Hakemlere gönderilen makalelerde yazar adları kapatılmaktadır.

4.       Hakemlere bir makalenin nasıl değerlendirileceği açıklanmaktadır ve aşağıda görülen değerlendirme formunu doldurmaları istenmektedir.

5.       İki hakemin olumlu görüş bildirdiği makaleler editörler tarafından benzerlik incelemesinden geçirilir. Makalelerdeki benzerliğin %25’ten küçük olması beklenir.

6.       Tüm aşamaları geçmiş olan bir bildiri dil ve sunuş açısından editör tarafından incelenir ve gerekli düzeltme ve iyileştirmeler yapılır. Gerekirse yazarlara durum bildirilir.

 88x31.png   Bu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır.