Mamba ve topluluk öğrenmesi kullanarak hisse senedi hareket tahmini

Borsa; ulusal politikalar, ekonomik koşullar ve küresel olaylar gibi birçok faktörden etkilenmektedir. Hisse senedi fiyat hareketlerinin doğru bir şekilde tahmin edilmesi, yatırımcılar ve ekonomistler için uzun süredir önemli bir zorluk teşkil etmektedir. Doğru tahminler, yatırım risklerini azaltırken aynı zamanda getiri potansiyelini artırmada kritik bir rol oynamaktadır. Ancak, finansal piyasalardaki dalgalı ve doğrusal olmayan yapılar, tahmin süreçlerini zorlaştırmaktadır. Son yıllarda, Mamba gibi durum uzay modelleri, sıralı verilerin modellenmesinde önemli başarılar elde etmiştir. Bu çalışmada, günlük hisse kapanış fiyatlarındaki yüzdelik değişimleri tahmin etmek için Mamba modeli kullanılmıştır. Tahmin problemi bir sınıflandırma görevi olarak ele alınarak, hisse senedi fiyatının ertesi gün artıp artmayacağını belirlemek hedeflenmiştir. Doğrulama veri kümesinde, modelin performansını artırmak için grid arama yöntemi kullanılarak parametre optimizasyonu gerçekleştirilmiş ve tahminler yapılmıştır. Bunun ardından, tahminlerin başarısını yükseltmek amacıyla, farklı hiperparametre kombinasyonlarına sahip modeller topluluk öğrenmesi yöntemi ile bir araya getirilmiştir. Böylece, tahmin doğruluğu tekli Mamba modeline kıyasla artırılmıştır. Araştırmada, Nasdaq borsasında işlem gören altı farklı şirketin günlük kapanış fiyat hareketleri tahmin edilmiştir. Elde edilen sonuçlar, tekli Mamba modelinin ertesi gün fiyat hareketinin yönünü tahmin etmede ortalama %58.9 F1 skoru elde ettiğini göstermektedir. Buna karşın, toplu Mamba modeli ortalama %60.5 F1 skoru ile dikkate değer bir başarı göstermiştir. Modellerimizin performansını temel model olan LSTM ile karşılaştırdığımızda, LSTM modelinin ortalama %52.5 F1 skoru elde ettiği tespit edilmiştir. Ayrıca, modellerin sınıflandırma performansının yanı sıra finansal değerlendirmesi de yapılmıştır. Elde edilen sonuçlara göre, toplu Mamba modeli, 120 test işlem günü boyunca 10.000 $ başlangıç sermayesi ile ortalama 4.150 $ kâr sağlamıştır. Temel karşılaştırma stratejimiz olan "Al-Tut" stratejisi ise 809 $ zarar etmiştir. Bu bulgular, yatırımcıların daha bilinçli kararlar almalarına önemli bir rehberlik sunmaktadır. Böylece, getirilerin optimize edilmesi ve risklerin en aza indirilmesi sağlanabilmektedir. Sonuç olarak, bu çalışma hisse senedi piyasasında tahmin doğruluğunu artıran etkili bir yöntem sunmakta ve yatırım kararlarının optimize edilmesine katkı sağlamaktadır.