Makine Öğrenmesi ile Finansal Zaman Serisi Tahminleme

Abstract

Finans uygulamalarının önemli bir çalışma alanını oluşturan finansal zaman serisi tahminlemesi son yıllarda makine öğrenmesi (Machine Learning, ML) yöntemlerinin gelişimi ile finans ve akademi çevrelerinin daha fazla önem atfettiği bir konu olmuştur. Bu çalışmanın amacı, finansal zaman serisi gelecek değerinin tahmininde ML yöntemlerinin karşılaştırmalı olarak bir incelemesini sunmaktır. Çalışmada gelişmiş ve gelişmekte olan iki borsa endeksi ve İstanbul borsasının yüksek hacimli iki hisse senedinin son 5 yıllık kapanış verileri kullanılmıştır. Endeks tahmininde sıklıkla kullanılmış ve başarılı bulunan Destek Vektör Regresyonu (Suport Vector Regression, SVR) ve literatürde zaman serisi tahmininde izine az rastladığımız topluluk (ensemble) makine öğrenmesi yöntemleri olan Rassal Orman (Random Forest, RF) ve Extrem Gradyan Arttırma (eXtreme Gradient Boosting, XGB) yöntemleri tercih edilmiştir. Çalışmanın bulgularına göre, MAE, MAPE ve RMSE kriterleri göz önünde bulundurulduğunda en iyi tahmin yöntemi SVR olarak tespit edilmiştir.

An Assessment on Bank Openness, Open Banking and Open Data in Turkey

“…Teknik boyutunda incelendiğinde 2023 itibariyle, yapay zekâ yöntemleri ile pay senedi fiyatı belirlenmesi çabasından, kripto para birimlerinin süreklilik arz etmemesine, muhasebe ve denetimde makine öğrenmesi yöntemlerinin uygulanması alanına çeşitli uyarlamaların yapıldığı belirlenmektedir (Arda ve Küçükkocaoğlu, 2021;Özuysal vd., 2022;Ucoglu, 2020). Ayrıca bu alanlarla sınırlı kalınmayıp portföy optimizasyonunda ve finansal zaman serisi tahminlemede de yapay zekâ ve makine öğrenmesinden faydalanıldığı tespiti yapılmaktadır (Bekdaş ve Ersoy, 2022;Doğan ve Büyükkör, 2022). Açık bankacılık, açık veri ve finansın gelişimi açısından makine öğrenmesi, yapay zeka, yapay sinir ağları, genetik algoritmalar içeren çalışmaların bir çoğunda Excel, Matlab, Gauss, S-plus, Fortran, C++ gibi uygulamaların ve programlama dillerinin yerine Python ve R programlama dilinin tercih edildiği tespit yapılabilmektedir (Ayyüce Kızrak ve Bolat, 2018;Cortez, 2010;Doğan ve Büyükkör, 2022;Hasan vd., 2020;Isci vd., 2021;Kızılkaya ve Oğuzlar, 2018;Özuysal vd., 2022;Palczewski, 2018;Patil, 2019;Simovici, 2015;Tokmak, 2022;Tsay, 2013;Yadav vd., 2019).…”