Üç boyutlu evrişimsel sinir ağları ile finansal zaman serisi analizi

Yapay sinir ağları, finansal zaman serisi tahmininde son yıllarda oldukça yaygın biçimde kullanılmaktadır. Özellikle karmaşık, doğrusal olmayan ilişkileri modelleyebilme yetenekleri sayesinde geleneksel yöntemlerin önüne geçmektedir. Bu kapsamda zaman bağımlılıklarını etkili bir şekilde öğrenebilen Kısa Uzun Süreli Hafıza (LSTM) tabanlı modeller finansal verinin tahmininde oldukça fazla kullanılmaktadır. Evrişimsel Sinir Ağları (CNN) da literatürde kendisine yer bulmaya başlamış ve çeşitli çalışmalarda başarılı sonuçlar elde edilmiştir. Bu çalışmada ise klasik CNN yaklaşımlarının ötesine geçilerek, konvolüsyon işlemi üç boyutlu veri yapısı üzerinde gerçekleştirilmiştir. Bu yeni yaklaşımda, veri hazırlama süreci detaylı şekilde tasarlanmıştır. İlk olarak, teknik analizde yaygın olarak kullanılan 20 farklı indikatör seçilmiş; her bir indikatör, 5 ile 25 gün arasındaki 20 farklı periyot için hesaplanarak, her gün için 20x20 boyutunda iki boyutlu bir matris oluşturulmuştur. Ardından, bu iki boyutlu veriye ardışık 20 günlük geçmiş veriler eklenmiş ve sonuç olarak her bir gün için 20x20x20 boyutunda üç boyutlu veri elde edilmiştir. Bu veri yapısı, CNN modelinin zaman, indikatör ve periyot bilgilerini aynı anda işlemleyerek daha karmaşık örüntüleri öğrenmesine olanak tanımaktadır. Etiketleme sürecinde ise her gün için fiyat hareketine göre "Al", "Sat" ve "Tut" olmak üzere üç sınıftan biri atanmıştır. Model, bu sınıflandırmayı öğrenerek gelecekteki alım-satım sinyallerini tahmin etmeyi hedeflemiştir. Modelin tahminlerine dayanarak oluşturulan alım-satım stratejileri, 2022–2024 yılları arasında toplam 750 işlem gününü kapsayan bir dönem boyunca Dow Jones 30 endeksine dahil olan hisseler ile çeşitli borsa yatırım fonları (ETF) üzerinde test edilmiştir. Gerçekleştirilen işlemler sonucunda, hisseler için yıllık ortalama %23.87, ETF'ler için ise %19.40 oranında getiri sağlanmış ve bu sonuçlar geleneksel "al ve tut" stratejisine kıyasla daha yüksek performans göstermiştir. Böylece önerilen modelin, zaman serisi verilerinde teknik göstergelerin çok boyutlu temsilinden faydalanarak etkili bir tahmin performansı sergileyebildiği ortaya konmuştur.