Tez No	İndirme	Tez Künye	Durumu
750048		Data mining based on regularized convolutional neural network for time series: Financial prediction algorithm / Zaman serileri için veri madenciliği tabanlı düzenlileştirilmiş evrişimli sınır ağı: Finansal tahmin algoritması Yazar:UĞUR EJDER Danışman: PROF. DR. SELMA AYŞE ÖZEL Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Evrişimli sinir ağları = Convolutional neural networks ; Gradyan artırma algoritması = Gradient boosting algorithm ; Hareketli ortalama = Moving average ; Zaman serileri analizi = Time series analysis	Onaylandı Doktora İngilizce 2022 128 s.
Bu tezin amacı, zaman serilerini tahmin etmek için genelleştirilebilir bir mesafe tabanlı hareketli ortalama (DBEMA) yöntemi tasarlamaktır. Çalışmamızda, finansal zaman serileri olarak adlandırılan belirli bir zaman serisi alanına odaklandık. Tahmin doğruluğu performansını artırmak için, mesafe tabanlı hareketli ortalama yöntemi, Sınıflandırma ve Regresyon Ağacı (CART) tahmin edicilerini kullanarak Özyinelemeli Özellik Eliminasyonu (RFE) ve Gradyan Artırma Makinesi (GBM) kullanarak sıralı özellik seçimi (SFS) ile elde edilen nitelikler ile birleştirildi. Zaman serisi tahmini ve modellemesi için birçok yapay sinir ağı (YSA) uygulanmış olmasına rağmen, literatürde evrişimli sinir ağları (CNN) zaman serisi tahmini için doğrudan çok fazla kullanılmamıştır ve halen geliştirilmeye açıktır. Zaman serilerinin trendini DBEMA ile tahmin etmek için, zaman serileri farklı gecikmeli hareketli ortalama desenleri şeklinde tanımlanarak aralarındaki ilişkiler meydana çıkarılır. Zaman serilerinin gelecekteki eğilimlerini tahmin etmek için hareketli ortalamaların (MA) aralarındaki mesafe ve birbirlerine göre konumlarındaki değişimler incelenir. Öncelikle zaman serileri 9 günlük, 50 günlük, 200 günlük olmak üzere değişik bekleme süreleri içerecek şekilde tanımlanır ve her birinin birbirine göre konumları ve mesafeleri işaretlenir. DBEMA yönteminin performansını artırmak için, CART ve GBM algoritmaları sırası ile RFE ve SFS nitelik seçim modellerinde daha iyi finansal özellik seçmek için kullanılmıştır. Mesafeye dayalı özellikler ve seçilen finansal özelliklerin birleşimi 2-boyutlu görüntülere dönüştürülür ve ardından CNN kullanılarak sınıflandırılır. Deneysel sonuçlara göre önerilen CNN-DBEMA algoritması literatürdeki diğer sınıflandırma tekniklerinden daha iyi performans göstermektedir. Anahtar Kelimeler: Mesafe tabanlı nitelikler, Hareketli Ortalama, Finansal Zaman Serisi Tahmini, Evrişimli Sinir Ağı
This thesis aims to design a generalizable distance-based moving average (DBEMA) method for predicting time series. In our study, we focused on a specific area of financial time series. In order to increase the performance of prediction accuracy, DBEMA was combined with features selected by Recursive Feature Elimination (RFE) by using Classification and Regression Tree (CART) estimators and sequential feature selection (SFS) by using Gradient Boosting Machine (GBM). Although many artificial neural networks (ANNs) have been applied to a number of time series predictions and modelling, convolutional neural networks (CNN) have not been used much for time series prediction directly in literature and are still open to improvement. For predicting the trend of time series with DBEMA, time series are defined in the form of different time-lagged moving average patterns to identify the relations between each of them. The distances between moving averages (MA) and changes in their positions towards each other are examined for predicting future trends of time series. First of all, time series are defined so as to cover different time lags of 9 days, 50 days and 200 days in exponential moving average (EMA) forms and the distances between each of them and positions between each of them are marked. To improve the performance of the distance-based moving average method, CART and GBM algorithms are used for selecting better financial features in with RFE and SFS models, respectively. The combination of distance-based features and selected financial features are converted into 2-D images which are then classified by CNN. According to the experimental results, the proposed algorithm, CNN-DBEMA, outperforms other classification techniques in literature. Key Words: Distance-Based Features, Moving Average, Financial Time series Prediction, Convolutional Neural Network