Tez No	İndirme	Tez Künye	Durumu
464971		Algorithmic trading strategies using dynamic mode decomposition: Applied to Turkish stock market / Dinamik mod ayrışımı kullanarak algoritmik ticaret stratejileri: Türk hisse senedi piyasasına uygulaması Yazar:MEHMET CAN SAVAŞ Danışman: DOÇ. DR. YELİZ YOLCU OKUR Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Uygulamalı Matematik Enstitüsü / Finansal Matematik Ana Bilim Dalı Konu:Maliye = Finance ; Matematik = Mathematics Dizin:	Onaylandı Yüksek Lisans İngilizce 2017 72 s.
Algoritmik ticaretin önemi modern finans dünyasında gün geçtikçe artmaktadır. Her yıl, algoritmik ticaretin ticaret hacmindeki payı artmakta ve modern ticaretin önemli bir parçası haline gelmektedir. Bu çalışmada dinamik mod ayrışımı kullanan bir algoritmik ticaret stratejisi geliştireceğiz. Dinamik mod ayrışımı, dinamik sistemleri zaman dinamiği bilenen daha küçük kerteli yapılara ayırarak karakterize eden, denklemsiz bir veri analiz metodudur. Metot bu yapılar sayesinde finansal tahmin yapmamıza imkan vermektedir. Metodun tahmin yeteneğini geliştirmek için genetik algoritma ile optimize edilmis¸ tamamlayıcı bir finansal teknik analiz stratejisi kullanılmıştır. Bu sayede dinamik mod ayrışımı kullanan algoritmik ticaret stratejileri geliştirilmiştir. Sonuç olarak, dinamik mod ayrışımı hisse senedi piyasalarını analiz edebilecek uygun bir metottur.
Algorithmic trading schemes are growing of importance in modern financial world. Each year, increasing proportion of the total trading volume is handled by algorithmic trading systems and they have become a fundamental element of modern day trading. We demonstrate the application of an algorithmic trading strategy using dynamic mode decomposition and genetic algorithm. The dynamic mode decomposition is a data analysis tool which is capable of characterizing the dynamical systems in an equation free manner by decomposing the system into low-rank structures, dynamic modes, whose temporal evolution is known. The method enables financial market prediction using dynamic modes. In order to improve the prediction success of the method, we use a complementary technical analysis tool which is optimized with genetic algorithm. We are able to build algorithmic trading strategies using dynamic mode decomposition and test them in Turkish stock market. We conclude that dynamic mode decomposition is a capable method to analyze stock markets.