Borsa tahminleri için makine öğrenimi stratejileri

Hisse senedi fiyatlarını tahmin etmek, rastgele değişim içerdiği için zordur. Hisse senedi alıcıları, riski azaltarak getirileri artırabilir. Bu tez, hisse senedi fiyatlarını daha iyi tahmin etmek için derin öğrenme ile ağırlık hafızasının kombinasyonunu kullanan bir yöntem sunmaktadır. LSTM, GRU, SimpleRNN ile 1D-CNN incelenen yöntemler arasındadır. Borsaya milyonlara mal olabilecek tahmin hatalarını azaltmak için farklı yöntemlerin hata ölçümleri incelenmiştir. En düşük hata ölçümüne sahip en iyi tahmin modeli, gelecekteki borsa ticaretine ait işlemlerde en iyi cevabı verecektir. İncelenen yöntemlerden GRU ve 1D-CNN, en düşük kök ortalama kare hatasına sahiptir ve dolayısıyla en iyi tahmin yöntemidir. SimpleRNN, ortalama hata karesinde LSTM'den daha iyi performans gösterir. GRU ve 1D-CNN kombinasyonu ayrıca ortalama karesel hatada ve ortalama mutlak oran da en iyi performansı göstermektedir. GRU kombinasyonu en yüksek R2 puanını da elde etmektedir. Bu çalışmanın bulguları, literatür taramasından elde edilen diğer çalışmalarla karşılaştırılmış ve önerilen yöntemin daha iyi performans gösterdiğini, yani GRU ve 1D-CNN'nin en düşük hata potansiyeline sahip olduğunu göstermektedir.