Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini
| dc.authorid | 0000-0002-2247-3015 | |
| dc.authorid | 0000-0002-3752-7354 | |
| dc.contributor.author | Akbulut, Serap | |
| dc.contributor.author | Adem, Kemal | |
| dc.date.accessioned | 2023-05-16T07:52:47Z | |
| dc.date.available | 2023-05-16T07:52:47Z | |
| dc.date.issued | 2023 | |
| dc.department | İktisadi ve İdari Bilimler Fakültesi | |
| dc.description.abstract | Döviz piyasaları, emtia piyasaları ve gelişmekte olan ülkelerin borsa endekslerinin Bist100 üzerindeki etkisi oldukça önemlidir. Ülke ekonomileri hem kendi hem de diğer ülkelerin ekonomilerine güçlü bir şekilde bağlıdır ve bu sebeple piyasalar etkilenmektedirler. Ekonomik açıdan piyasayı takip etmek kararları doğru verebilmek için tahmin yöntemleri kullanılmaktadır. Veri kümesi Ocak 2017 – Ekim 2021 tarihleri arasındaki kapanış verilerinden oluşmaktadır. Deneysel çalışmalarda objektifliğin sağlanması amacıyla k=5 ve 10 katlı çapraz geçerlilik modeli uygulanmıştır. Modellerin karşılaştırılmasında; Ortalama Mutlak Hata (MAE), Bağıl Mutlak Hata (RAE), Ortalama Karesel Hata Karekökü (RMSE) ve uzun kısa süreli bellek (LSTM) kullanılmıştır. Deneysel çalışmalar sonucunda, LSTM modelinin makine öğrenmesi modellerine göre daha iyi sonuç verdiği görülmüştür. LSTM modeli için test sonuçları incelendiğinde MAE değeri 10.27, RMSE değeri 14.15 ve RAE değeri ise 6.06’dir. | |
| dc.description.abstract | The effect of foreign exchange markets, commodity markets and stock market indices of developing countries on Bist100 is very important. The economies of the countries are strongly dependent on the economies of both their own and other countries, and therefore the markets are affected. Forecasting methods are used to follow the market economically and to make correct decisions. The dataset consists of closing data between January 2017 and October 2021. In order to ensure objectivity in experimental studies, a k=5 and 10-fold cross-validation model was applied. In comparison of models; Mean Absolute Error (MAE), Relative Absolute Error (RAE), Root Mean Square Error (RMSE) and long short-term memory (LSTM) were used. As a result of experimental studies, it has been seen that the LSTM model gives better results than machine learning models. When the test results for the LSTM model are examined, the MAE value is 10.27, the RMSE value is 14.15, and the RAE value is 6.06. | |
| dc.identifier.doi | 10.28948/ngmuh.1131191 | |
| dc.identifier.endpage | 63 | en_US |
| dc.identifier.issn | 2564-6605 | |
| dc.identifier.issue | 1 | en_US |
| dc.identifier.startpage | 52 | en_US |
| dc.identifier.uri | https:/dx.doi.org/10.28948/ngmuh.1131191 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/10797 | |
| dc.identifier.volume | 12 | en_US |
| dc.indekslendigikaynak | TR-Dizin | |
| dc.language.iso | tr | |
| dc.publisher | Niğde Ömer Halisdemir Üniversites | |
| dc.relation.ispartof | Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Yapay Zeka | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Veri Madenciliği | |
| dc.subject | Finansal Tahmin | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Deep Learning | |
| dc.subject | Data Mining | |
| dc.subject | Financial Estimate | |
| dc.title | Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini | |
| dc.title.alternative | Estimating Bist 100 with the interactıon of financial instruments of developing countries using deep learning and machine learning methods | |
| dc.type | Article |
