Teknik göstergelerle derin öğrenme modelleri kullanarak hisse senedi fiyatı tahmini

Hisse senedi fiyatlarının doğru tahmini, yatırımcıların ne zaman ve nereye yatırım yapacaklarına dair kararlarını destekler. Ancak, hisse senedi piyasasının dinamik, doğrusal olmayan, karmaşık ve kaotik doğası, fiyat tahminini zorlaştırır. Piyasa hareketleri, siyasi olaylar, firma politikaları, ekonomik koşullar, emtia fiyatları ve banka kurları gibi birçok makroekonomik faktörden etkilenir. Ayrıca gelişen teknoloji ve iletişim sistemleri, bu olayların hızla işlenmesine olanak tanıyarak hisse senedi fiyatlarının hızlı dalgalanmasına neden olur. Dolayısıyla bankalar, finans kurumları ve büyük yatırımcılar, hızlı alım satım yapmak zorunda kalır ve piyasanın karmaşıklığı kesin tahmin yapmayı daha da zorlaştırır. Hisse senedi fiyatlarının doğru tahmini için yeni ve etkili yöntemlerin geliştirilmesi gerekmektedir. Bu çalışmada, Yahoo Finance gibi internet sitelerinden elde edilen veriler teknik göstergeler kullanılarak hisse senedi fiyatlarının tahmin edilmesi amaçlanmıştır. Ham verilerdeki gürültüyü azaltmak, anlamlı sonuçlar elde etmek ve tahmin doğruluğunu artırmak amacıyla teknik indikatörler için korelasyon katsayısı yöntemi kullanılmıştır. Yapay Sinir Ağları (YSA) modelleri, finansal zaman serisi verilerinin analizinde büyük bir etkinlik sağlamaktadır. YSA ile yapılacak tahminler için en uygun parametreler seçilmiştir. Veri ön işleme sürecinden sonra, Tek Katmanlı Uzun Kısa Süreli Hafıza (LSTM), 3 Katmanlı LSTM, 3 Katmanlı Çift Yönlü Uzun Kısa Süreli Hafıza (BiLSTM) ve hibrit Evrişimli Sinir Ağı- Uzun Kısa Süreli Hafıza (CNN-LSTM); yöntemleri uygulanmıştır. Bu model ile, gerçeğe yakın fiyat tahminlerinin bulunmasının yanısıra, teknik indikatörler aracılığıyla hisse senedi fiyatı tahminini etkileyen özellikleri azaltmak amaçlanmıştır. Sonuçlar, derin öğrenme (DL) teknikleri arasında Tek Katmanlı LSTM yönteminin diğer yöntemlere göre daha gerçekçi tahminler sunduğunu ortaya koymuştur.