Tez No	İndirme	Tez Künye	Durumu
663171		Derin öğrenme tabanlı nesne tespit algoritmaları ile hisse senedi al-sat karar destek sisteminin modellenmesi / Modeli̇ng of tradi̇ng deci̇si̇on support system wi̇th deep learni̇ng based object recogni̇ti̇on algori̇thms Yazar:GÜNAY TEMÜR Danışman: DOÇ. DR. SERDAR BİROĞUL ; DOÇ. DR. UTKU KÖSE Yer Bilgisi: Düzce Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2021 180 s.
Finansal alanda yatırım gerçekleştiren tüm yatırımcıların ana hedefi, bir yatırım enstrümanını düşük fiyattan alıp yüksek fiyattan satış yaparak kar elde etmektir. Bu bakış açısı çerçevesinde çalışma kapsamında, hisse senedi piyasası, parite analizi, endeks analizi ve diğer borsaların hisse analizinde, kısacası mum grafiği oluşturulan tüm yatırım enstrümanları için kullanılabilecek etkili bir "Al-Sat" karar destek modeli tasarlanmıştır. Nesne tespit tabanlı çalışan bu model tasarımı hem finansal hem de bilimsel olan iki yönlü farklı bakış açısıyla tasarlanan yenilikçi bir model yaklaşımdır. Çalışmada BIST hisse senetlerine ait 2D mum grafik verileri kullanılmıştır. Grafikler iki ayrı veri seti şeklinde etiketlenmişlerdir. İlk olarak 550 adet 2D mum grafik üzerinde 10000 adet veri etiketlemesi gerçekleştirilmiş ve YoloV3 Veri Grubu-1 (VG-1) ile eğitilmiştir. Ardından veri seti 20000 adete çıkarılmıştır. Hazırlanan bu 20000 adet etiketli veri seti üzerinden rastgele 10000 etiketli veri seçilmiştir. Yeni oluşturulmuş 10000 adet etiketli veri seti VG-2 olarak isimlendirilmiş ve YoloV3, YoloV4, Faster R-CNN, SDD algoritmaları ile eğitilmişlerdir. Seçilen bu dört algoritma için gerçekleştirilen eğitimler sonucu elde edilen başarım sonuçları değerlendirilmiştir. Bu değerlendirme için üç farklı senaryo düzenlenmiş olup, tüm bu senaryolardan iyileştirilmiş veri seti ile eğitilmiş YoloV3 VG-2 algoritması en başarılı sonuçlara sahiptir. Gerçekleştirilen karşılaştırmalı test senaryoları sonucunda YoloV3 VG-2 modeli,%98 nesne tespiti başarısı sağlamıştır. Bununla birlikte tespit edilen nesne sınıfı için %100 doğru tahmin başarısı ve altı aylık periyotta %89,84 kazanç getirisi sağladığı gözlemlenmiştir. Gözlemlenen bu kazanç başarısında herhangi bir ek parametre kullanılmamıştır. Sonuç olarak final model olarak belirlenen YoloV3 VG-2 mum grafik görünümü oluşturulabilen tüm yatırım enstrümanları için bir karar destek modeli olarak uygulanabilir.
The fundamental purpose of every investor making investments in financial fields, is to make profit by buying an investment instrument at a low price and selling the same at a higher price. In this study, within the framework of the aforementioned standpoint, an effective "Trading" decision support model was designed, which can be used for stock market analyses, parity analyses, index analyses, and for the stock analyses of other stock exchanges, briefly for all investment instruments for which candlestick charts are created. This object detection-based model design is an innovative model approach designed with a two-way different perspective, both financial and scientific. The study incorporated the use of 2D candlestick charts of the BIST stocks. The charts were labelled in two separate data sets. Initially, 10,000 pieces of data were labelled on 550 2D candlestick charts, which were trained with YoloV3 Data Group-1 (DG-1). Subsequently, the data set was increased to 20,000 pieces. Out of this set of 20,000 labelled data prepared, 10,000 labelled data were picked randomly. The newly-created set of 10,000 labelled data was named VG-2, which was trained with the YoloV3, YoloV4, Faster R-CNN, SDD algorithms. An assessment was made regarding the performance results obtained following the trainings implemented for these four chosen algorithms. For the aforementioned assessment, three different scenarios were created, and out of all these scenarios, the YoloV3 DG-2 algorithm, which was trained with an improved data set, was observed to be most successful one. As a result of the comparative test scenarios, the YoloV3 DG-2 model achieved a pattern recognition success of 98%. On the other hand, it was also observed to have achieved a prediction success of 100%, while bringing in a return by 89.94%, regarding the object class detected. In addition, no additional parameters were used in this observed gain success. Consequently, the YoloV3 DG-2, determined as the final model, could be implemented as a decision support model for all investment instruments for which a candlestick chart can be created.