Günlük hayatta zaman serisi verileri oldukça karmaşık problemler içermektedir bu yüzden zaman serisi verilerinin analizini ve gelecek değer tahminlerini iyi bir şekilde yapmak önemlidir. Teknolojik gelişmeler sayesinde günümüz bilgisayarlarının performansları artmış ve bu artışa bağlı olarak birçok amaca hizmet eden algoritmalar geliştirilmiştir. Geliştirilen bu algoritmaların her alanda olduğu gibi zaman serisi analizlerinde de uygulanıp, sıkça kullanılabileceği ve karar vericinin farklı boyutlarını destekleyen roller üstlenmektedir. Özellikle finans alanında önceden öngörülmesi önemli olan borsa işlemlerinde bu tahmin algoritmalarına çok fazla başvurulmaktadır. Çeşitli istatistiksel analiz, matematiksel analiz, makine öğrenmesi ve alt alan olan derin öğrenme zaman serileri analizinde ve gelecek tahmini yapabilmek için kullanılmaktadır. Bu algoritmalar geleneksel yöntemlere göre daha başarılı olmuş ve kullanımları hızla artmıştır. Bu çalışmada Yahoo Finans üzerinden elde edilen Bist100 ve USD/TRY endekslerine ait 5 yıl (09.03.2017-09.03.2022) geriye dönük verileri kullanılarak derin öğrenme ve makine öğrenmesi yöntemleriyle geleceğe yönelik fiyat tahminlerinin çalışması gerçekleştirilmiştir. Çalışmada veri, eğitim verisi (%80) ve test verisi (%20) olmak üzere ikiye ayrılarak ,yinelemeli sinir ağı (RNN) ve uzun kısa süreli bellek (LSTM) yöntemleriyle tahminleri yapılmıştır. Kullanılan her iki yöntemden elde edilen eğitim ve test hatalarının birbirine yakın sonuçlar verdiğini fakat dönemin olumsuzluklarından etkilenerek bazı sapmalar gerçekleştirdiği ve bu yöntemlerin kısa dönemli veriler için daha uygun sonuç vereceği saptanmıştır.
Anahtar Kelimeler: Lstm, Rnn, Derin Öğrenme, Makine Öğrenmesi, Yapay Sinir Ağı, Zaman Serisi
|
