Finansal serilerin öngörüsünde derin öğrenme ve klasik yöntemlerin karşılaştırılması : BIST100 örneği

Abstract

Günümüzde, piyasa yapısı ve tahmin edilebilirliği konusundaki tartışmalar sürmektedir. Etkin Piyasa Hipotezi (EPH) kapsamında, piyasadan aşırı getiri elde etmenin mümkün olmadığı belirtilmiş ve piyasanın tahmin edilemez olduğu gösterilmiştir. Daha sonraki yıllarda, Adaptif Piyasa Hipotezi (APH) EPH'nin eksikliklerine dikkat çekerek ve insan davranışlarını göz önünde bulunduran bir hipotez geliştirilmiştir. Bu tezde, beş yıl süresince günlük BIST100 verileri kullanılarak EPH ve APH, Varyans Oran ve BDS testleri ile incelenmiştir. Zaman serileri yüksek dereceden doğrusal olmadığından dolayı klasik modellerin performansı bu tür serilerin tahmininde yetersiz kalmaktadır. Bu tür serilerin tahmini için önemli yöntemlerden biri derin öğrenme yöntemlerinin kullanılmasıdır. Çalışmada hem durağan hem de durağan olmayan BIST100 serileri için derin öğrenme yöntemleri ve klasik yöntemlerle modellemeler yapılmış, elde edilen sonuçlar değerlendirilmiştir. LSTM, CNN ve MLP gibi derin öğrenme modelleri kullanılmıştır. Klasik yöntemler arasından en uygun model, ARFIMA, ARIMA ve ARCH tipi modelleri arasından belirlenmiştir. Çalışmada, klasik ve derin öğrenme modelleri birleştirilerek hibrit modeller kullanılmıştır. Derin öğrenme ve hibrit modellerinin daha etkili bir şekilde öğrenilmesini sağlamak amacıyla K katlamalı çapraz geçerlilik yöntemi kullanılmıştır. Çalışmanın sonucunda, BIST100 serisi için APH'nin geçerli olduğu görülmüştür. Çalışmanın devamında BIST100 durğan serisi için T dağılıma sahip MA(2)-EGARCH(1,1) en iyi klasik model olarak belirlenmiştir. Durağan olmayan BIST100 serisinde LSTM modelinin daha iyi sonuçlar verdiği gözlenmiştir. Durağan BIST100 serisinde ise MA(2)-EGARCH(1,1)-LSTM hibrit modeli daha iyi sonuç vermiştir. Modellerin sonuçlarının analizi, LSTM ve MA(2)-EGARCH(1,1)-LSTM modelinin finansal zaman serilerinin tahmininde etkinliğini kanıtlamıştır.On today's discussions, debates persist about market structure and predictability. The Efficient Market Hypothesis (EMH) asserts that obtaining excessive returns from the market is impossible, demonstrating the market's unpredictability. In subsequent years, the Adaptive Market Hypothesis (AMH) was developed, addressing EMH shortcomings and considering human behaviors. This thesis investigates EPH and APH using daily BIST100 data over five years, alongside Variance Ratio and BDS tests. Classical models' performance in predicting such series is inadequate due to the non-linear nature of time series data. Therefore, one crucial method for forecasting such series involves the use of deep learning techniques. The study models both stationary and non-stationary BIST100 series using deep learning methods and traditional approaches, including models such as LSTM, CNN, and MLP. The most suitable model among classical methods is determined from ARFIMA, ARIMA, and ARCH-type models. Hybrid models combining classical and deep learning methods are employed, with effective learning enhanced through K-fold cross-validation. The study's outcome highlights the validity of APH for the BIST100 series. For stationary BIST100 series, MA(2)-EGARCH(1,1) with a T-distribution emerges as the best classical model, while the LSTM model yields superior results for non-stationary series. In stationary BIST100 series, the MA(2)-EGARCH(1,1)- LSTM hybrid model outperforms. The analysis confirms the effectiveness of LSTM and MA(2)- EGARCH(1,1)-LSTM models in predicting financial time series, providing valuable insights into market dynamics.