Stock market prediction using machine learning models

Borsa verilerinin öngörüsü, bu alandaki verilerin dinamik ve karmaşık yapısı nedeniyle zorlu bir iştir. Burada, hisse senedi fiyatlarını öngörebilmek için farklı veri kaynaklarını ve derin öğrenme mimarileri kullanmanın etkileri üzerine kapsamlı bir analiz sunuyoruz. Derin öğrenme modellerinin başarımındaki en büyük etmenlerden birisi verilerin etkili bir şekilde temsil edilmesidir. Bu çalışmada, hisse senedi piyasaları üzerinde finansal dış etkilere neden olabilecek haber makaleleri üzerinde duygu analizi yapılmış ve hisse senedi fiyat veri setlerinden çeşitli teknik göstergeler çıkarılmıştır. Veri gösterimi dışında, derin öğrenme algoritmalarının başarımı hiperparametrelerine bağlıdır, bu nedenle otomatik Bayes optimizasyonunu kullanarak geliştirilen derin öğrenme modellerini optimize ettik. NASDAQ ve NYSE hedef pazarlarında işlem gören on farklı hisse senedi veri setinden günlük kapanış fiyatlarınını öngörebilmek için optimum Evrişimsel Sinir Ağı (ESA), Uzun Kısa Süreli Bellek (UKB) ve Yığınlı Otomatik Kodlayıcı modellerini geliştirdik. Çalışmamız duygu analizinin hisse senedi öngörüsü üzerindeki etkilerini ve karmaşık veri sunumlarında önerilen derin öğrenme modellerinin değerlendirilmesini kapsamaktadır. Öngörünün değerlendirilmesi çeşitli hata ölçevleri ile analiz edilmiştir. Elde edilen sonuçlar, geliştirilen ESA modelinin diğer modellerden daha iyi başarım sağladığını göstermiştir. Duygu analizi ve teknik göstergelerin entegrasyonu, özellikle UKB modelinin öngörü başarımını iyileştirmiştir. Yüksek sıklığa sahip veriler otomatik öznitelik çıkarımı ile birleştirildiğinde hisse senedi öngörüsü daha gürbüz olarak gerçekleştirilebilir.