Publication: Deri̇n öğrenme algori̇tmaları ile hi̇sse senetleri̇ni̇n fi̇yat hareketli̇li̇ği̇ öngörüsü
Abstract
Bilgi teknolojilerindeki gelişmelerle ortaya çıkan çeşitli türdeki büyük verilerin analizi için kullanılan yöntemler arasında, sinir ağlarını temel alan derin öğrenme algoritmaları dikkat çekmektedir. Finans alanında kullanılan derin öğrenme yöntemleri ile yatırım modelleri, ileriye yönelik fiyat tahmini, formasyon sınıflandırma ve al – sat karar modelleri gibi yatırımcıya fikir verebilecek modeller geliştirilmektedir. Bu çalışmada, derin öğrenme algoritmaları kullanılarak BİST30’da yer alan hisse senetleri için mum grafiklerinden hareketle gelecek dönem fiyat ve fiyat hareketliliği tahmini yapılması amaçlanmıştır. Bu amaçla, fiyat eğiliminde dönüşüm bildiren 8 adet üçlü mum formasyonu belirlenmiştir. Mum formasyonlarının görüntülerine ait hazır veri seti olmadığından, etiketleme işlemi otomatik yapılarak etiketli bir veri seti oluşturulmuştur. Etiketlenen mum formasyonu görüntüleri için Konvolüsyon Sinir Ağı (CNN) ile bir görüntü sınıflandırma modeli geliştirilmiştir. Buradan elde edilen her bir formasyona atanma olasılıkları, daha sonra fiyat tahmini için kullanılan Uzun – Kısa Süreli Hafıza Ağları (LSTM) ve Geçitli Yinelemeli Birimler (GRU) algoritmalarına girdi olarak alınmıştır. Yalnızca bu olasılıkların yer aldığı veri setine ek olarak açılış, kapanış, en düşük/ en yüksek değer ve işlem hacmi bilgilerinin yer aldığı ikinci bir veri seti oluşturulmuş, ardından bu iki veri seti birleştirilerek hibrit bir veri seti elde edilmiştir. İki algoritmanın performansı tüm veri setleri için karşılaştırmalı olarak değerlendirilmiştir. Yapılan fiyat tahmininde tüm veri setleri için LSTM modeli daha başarılı bulunmuştur. Hibrit veri setinden elde edilen fiyat tahmin modeli diğer veri setlerine göre daha düşük hata oranına sahiptir. Fiyatların gelecek dönem hareket yönleri incelendiğinde, olasılık bilgisini içeren iki modelin hareket yönlerini daha yüksek oranda doğru tahmin ettikleri belirlenmiştir. Böylece görüntü tabanlı formasyon bilgisinin fiyat tahmininde ve hareket yönü belirlemede etkili olduğu tespit edilmiştir.
Among the methods used to analyze various types of big data that emerge with developments in information technologies, deep learning algorithms based on neural networks attract attention. Deep learning methods employed in the financial sector aim to develop models that can provide insights to investors, including investment models, price forecastings, pattern classification, and buy-sell decision models. This study focuses on predicting future prices and price movements for stocks listed in BIST30 using deep learning algorithms based on candlestick charts. To achieve this goal, eight triple candlestick patterns indicating reversals in price trends were identified. Since there was no pre-labeled dataset for the images of candlestick patterns, the labeling process was automated to create a labeled dataset. A convolutional neural network (CNN) algorithm was then used to develop an image classification model for the labeled candlestick pattern images. The probabilities assigned to each identified pattern were later used as input for LSTM (Long Short-Term Memory) and GRU (Gated Recurrent Unit) algorithms employed for price prediction. In addition to the dataset containing only these probabilities, a second dataset was created, including information such as opening, closing, low/ high values, and trading volume. These two datasets were merged to obtain a hybrid dataset. The performance of the two algorithms was evaluated comparatively across all datasets. The LSTM model was found to be more successful in price prediction for all datasets. The price prediction model derived from the hybrid dataset exhibited a lower error rate compared to other datasets. When examining the future movement directions of prices, it was determined that the models incorporating probability information more accurately predicted price movement directions. Thus, it was concluded that image-based pattern information is effective in price prediction and determining price movement directions.
Among the methods used to analyze various types of big data that emerge with developments in information technologies, deep learning algorithms based on neural networks attract attention. Deep learning methods employed in the financial sector aim to develop models that can provide insights to investors, including investment models, price forecastings, pattern classification, and buy-sell decision models. This study focuses on predicting future prices and price movements for stocks listed in BIST30 using deep learning algorithms based on candlestick charts. To achieve this goal, eight triple candlestick patterns indicating reversals in price trends were identified. Since there was no pre-labeled dataset for the images of candlestick patterns, the labeling process was automated to create a labeled dataset. A convolutional neural network (CNN) algorithm was then used to develop an image classification model for the labeled candlestick pattern images. The probabilities assigned to each identified pattern were later used as input for LSTM (Long Short-Term Memory) and GRU (Gated Recurrent Unit) algorithms employed for price prediction. In addition to the dataset containing only these probabilities, a second dataset was created, including information such as opening, closing, low/ high values, and trading volume. These two datasets were merged to obtain a hybrid dataset. The performance of the two algorithms was evaluated comparatively across all datasets. The LSTM model was found to be more successful in price prediction for all datasets. The price prediction model derived from the hybrid dataset exhibited a lower error rate compared to other datasets. When examining the future movement directions of prices, it was determined that the models incorporating probability information more accurately predicted price movement directions. Thus, it was concluded that image-based pattern information is effective in price prediction and determining price movement directions.