Zaman serileri için veri madenciliği tabanlı düzenlileştirilmiş evrişimli sınır ağı: Finansal tahmin algoritması

Bu tezin amacı, zaman serilerini tahmin etmek için genelleştirilebilir bir mesafe tabanlı hareketli ortalama (DBEMA) yöntemi tasarlamaktır. Çalışmamızda, finansal zaman serileri olarak adlandırılan belirli bir zaman serisi alanına odaklandık. Tahmin doğruluğu performansını artırmak için, mesafe tabanlı hareketli ortalama yöntemi, Sınıflandırma ve Regresyon Ağacı (CART) tahmin edicilerini kullanarak Özyinelemeli Özellik Eliminasyonu (RFE) ve Gradyan Artırma Makinesi (GBM) kullanarak sıralı özellik seçimi (SFS) ile elde edilen nitelikler ile birleştirildi. Zaman serisi tahmini ve modellemesi için birçok yapay sinir ağı (YSA) uygulanmış olmasına rağmen, literatürde evrişimli sinir ağları (CNN) zaman serisi tahmini için doğrudan çok fazla kullanılmamıştır ve halen geliştirilmeye açıktır. Zaman serilerinin trendini DBEMA ile tahmin etmek için, zaman serileri farklı gecikmeli hareketli ortalama desenleri şeklinde tanımlanarak aralarındaki ilişkiler meydana çıkarılır. Zaman serilerinin gelecekteki eğilimlerini tahmin etmek için hareketli ortalamaların (MA) aralarındaki mesafe ve birbirlerine göre konumlarındaki değişimler incelenir. Öncelikle zaman serileri 9 günlük, 50 günlük, 200 günlük olmak üzere değişik bekleme süreleri içerecek şekilde tanımlanır ve her birinin birbirine göre konumları ve mesafeleri işaretlenir. DBEMA yönteminin performansını artırmak için, CART ve GBM algoritmaları sırası ile RFE ve SFS nitelik seçim modellerinde daha iyi finansal özellik seçmek için kullanılmıştır. Mesafeye dayalı özellikler ve seçilen finansal özelliklerin birleşimi 2-boyutlu görüntülere dönüştürülür ve ardından CNN kullanılarak sınıflandırılır. Deneysel sonuçlara göre önerilen CNN-DBEMA algoritması literatürdeki diğer sınıflandırma tekniklerinden daha iyi performans göstermektedir. Anahtar Kelimeler: Mesafe tabanlı nitelikler, Hareketli Ortalama, Finansal Zaman Serisi Tahmini, Evrişimli Sinir Ağı