Tez No	İndirme	Tez Künye	Durumu
641380		Derin öğrenme ve makine öğrenmesi yöntemleriyle borsa alım satım davranışlarının modellenmesi / Modeling trading behaviours with deep learning and machine learning methods in stock exchange markets Yazar:AFAN HASAN Danışman: PROF. DR. OYA KALIPSIZ Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2020 107 s.
Finansal piyasa tahmini her zaman büyük ilgi gören bir konu olmuştur ve gelecekteki hareketi tahmin etmede kârlılık olduğu sürece cazip bir araştırma konusu olmaya devam edeceği görülmektedir. Borsa tahmininin çekiciliği, yatırımcıların kısa sürede büyük kârlar elde etmeleri için büyük bir potansiyel sunmasıdır. Büyük kazanç sağlama potansiyeli sunarken aynı zamanda büyük kayıplara da neden olabilir. Çift taraflı bir kılıç gibi, doğru kullanıldığında çok kârlıdır ve yanlış kullanıldığında çok zararlı olabilir. Ancak insanlar genellikle kazançlı tarafa odaklanır ve zararlı tarafı görmezden gelir. Temel analistlerin büyük çoğunluğu teknik analistlerin tahminlerinin ve bu analizlerde kullanılan teknik göstergelerinin anlamsız olduğuna inansalar da, son araştırmalar hem profesyonellerin hem de bireysel tüccarların teknik göstergeleri kullandığını ortaya koymaktadır. Finansal piyasa yönünün doğru bir tahmini, öncelikle finansal zaman serilerinin doğrusal olmayan doğasından dolayı çok zorlayıcı bir faaliyettir. Derin öğrenme ve makine öğrenmesi yöntemleri ise insanların zorlandığı birçok alanda çok başarılı sonuçlar elde etmiştir. Bu çalışmada, derin öğrenme ve makine öğrenmesi yöntemlerine teknik göstergeler entegre edilip finansal piyasa yönünü tahmin etme başarısını artırmak için borsa simsarlarının davranışları modellenmiştir. Borsa İstanbul ulusal 100 endeksinin (BIST100) yakın gelecekteki (bir dönem sonraki) yönünü tahmin etmek için girdi özellikleri olarak teknik analizdeki uygulamaları temel alınarak bir dizi teknik gösterge incelenmiştir. Endeksin yönünü tahmin etmek için Derin Sinir Ağlar (DNN), Destek Vektör Makinesi (SVM), Rastgele Orman (RF) ve Lojistik Regresyon (LR) sınıflandırma teknikleri kullanılır. Bu modellerin performansı, karışıklık matrisi, bileşik getiri ve maksimum düşüm gibi çeşitli performans metriklerine göre değerlendirilmiştir.
The financial market prediction has always been a topic of great interest, and it seems that it will continue to be an attractive research subject as long as there is profitability in predicting future movement. The attractiveness of the stock market prediction is that it offers great potential for investors to make huge profits in a short time. While offering the potential to generate huge profits, it can also cause huge losses at the same time. Like a double-sided sword, it is very profitable when used correctly and can be very harmful when used incorrectly. But people generally focus on the lucrative side and ignore the harmful side. Although the vast majority of fundamental analysts believe that technical analysts' estimates and technical indicators used in these analyses are unresponsive, recent research has revealed that both professionals and individual traders are using technical indicators. A correct estimate of the direction of the financial market is a very challenging activity, primarily due to the nonlinear nature of the financial time series. Deep learning and machine learning methods on the other hand have achieved very successful results in many different areas where human beings are challenged. In this study, technical indicators were integrated into the methods of deep learning and machine learning, and the behavior of the traders was modeled in order to increase the accuracy of forecasting of the financial market direction. A set of technical indicators has been examined based on their application in technical analysis as input features to predict the oncoming (one-period-ahead) direction of Istanbul Stock Exchange (BIST100) national index. To predict the direction of the index, Deep Neural Network (DNN), Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR) classification techniques are used. The performance of these models is evaluated on the basis of various performance metrics such as confusion matrix, compound return and max drawdown.