2nd International Conference on Applied Engineering and Natural Sciences, Konya, Türkiye, 10 Mart 2022, ss.544
Çok fazla etkenin girdi olarak
değerlendirilebildiği ve bu nedenle karmaşık bir yapıya sahip olan finansal
piyasalarda, tahmin görevi oldukça zordur. Bu durum, araştırmacılar için dikkat
çekici ve popüler bir araştırma konusu olmasını sağlamaktadır. Araştırmacıların
geliştirdiği son teknoloji analiz ve tahmin modelleri, yatırımcılara hızlı
karar alma ve risk azaltmada yardımcı olabilmektedir. Çalışma kapsamında, derin
öğrenme ağına dayalı bir fiyat tahmin modeli ile Borsa İstanbul 100 (BIST100)
endeksinin 5 gün sonraki fiyatı tahmin edilmeye çalışılmaktadır. Bunu
gerçekleştirirken Faktör Analizi (FA), Temel Bileşen Analizi (PCA), Bağımsız
Bileşen Analizi (ICA) gibi boyut indirgeme yöntemleri; veri ön işleme
aşamasında kullanılarak Uzun-Kısa Süreli Bellek (LSTM) derin öğrenme ağı
başarımı üzerindeki etkileri izlenmeye çalışılmıştır. Veri seti, BIST100 endeksine ait günlük
geçmiş verilere ve bu bilgilerden türetilen teknik göstergelerden oluşmaktadır.
Deneyler sırasında R2 ve RMSE, değerlendirme ölçütleri olarak
kullanılmıştır. Derin öğrenme modeli parametreleri dışındaki, tahmin modelinin
performansını etkiyeceği düşünülen parametreler iyileştirilmeye çalışılmıştır.
Buna göre LSTM modelinin tek başına elde ettiği sonuçları, R2 için
%4.60 ve RMSE için %13.35 iyileştiren PCA+LSTM hibrit modelinin, diğer boyut
indirgeme yöntemleri ile oluşturulan hibrit modelleri geride bıraktığı ve
rekabetçi bir performans sergilediği gözlenmiştir.