Comparative analysis of LSTM model in predicting ETF stock prices for different sectors

Abstract

Yıllardır, hisse senedi fiyatlarını tahmin etmek, finansal piyasalardaki araştırmacılar ve yatırımcılar için önemli bir zorluk oluşturmuştur. Bu zorluğu aşmak için birçok metodoloji geliştirilmiştir, bunlardan biri de özellikle zaman serisi verilerini analiz etmek için oldukça uygun olan Yinelemeli Sinir Ağları bağlamında önemli bir yer edinen Uzun Kısa Süreli Bellek (LSTM) yöntemidir. Bu çalışma, Keras LSTM modellerini kullanarak çeşitli sektörlerde Exchange-Traded Fund (ETF) fiyatlarını tahmin etmeyi amaçlayan kapsamlı bir karşılaştırmalı analiz gerçekleştirir. Temel amaç, sektörel özelliklerin modellerin öngörü performansını nasıl etkilediğini değerlendirmektir. Araştırma, LSTM modellerinin farklı sektörlerdeki çeşitli performansını anlamanın, bunların doğasındaki oynaklık ve ekonomik dalgalanmalara duyarlılıklarını düşünerek bir zorunluluktan kaynaklanmaktadır. Çalışmalar, metodik bir biçimde LSTM kullanılarak gerçekleştirilmiş ve performans metrikleri, tahminlerin doğruluğunu değerlendirmek için kullanılmıştır. Bulgular, makroekonomik olaylardan daha az etkilenen, düşük oynaklığa sahip sektörlerin üstün öngörü sonuçları gösterdiğini ortaya koymaktadır. Aksine, yüksek oynaklığa sahip sektörler artan karmaşıklık ve öngörü zorlukları sunmaktadır. Bu çalışma, ETF tahminlerinin karmaşık ve ince niteliklerini vurgulayarak, sektörel özelliklerin önemini ve bunların piyasa dinamikleri ile nasıl etkileşime girdiğini vurgular. Genel olarak, LSTM modelleri finansal verilerdeki zamansal bağımlılıkları ve doğrusal olmayanları etkileşimleri yakalama yeteneklerini göstererek güçlü ve güvenilir bir performans sergilemektedir. Bu araştırma, araştırmacılara ve yatırımcılara, hisse senedi fiyat tahminleri bağlamında LSTM modellerinin nüanslı anlayışını sağlayan ve belirli sektörlerde daha bilinçli tahminler için önemli çıkarımlar sunan önemli katkılar sağlamaktadır.

For years, predicting stock prices has posed a significant challenge for researchers and investors in financial markets. To attempt to overcome this challenge, several methodologies have been developed, among which Long Short-Term Memory (LSTM) has emerged as a prominent approach, especially suitable for analyzing time series data within the context of Recurrent Neural Networks. This study conducts a thorough comparative analysis that specifically aims to predict the prices of Exchange-Traded Funds (ETFs) by utilizing Keras LSTM models across various sectors. The primary objective is to evaluate how sector- specific characteristics influence the predictive performance of the models. The research is driven by the necessity of understanding the diverse performance of LSTM models in different sectors, considering their inherent volatility and susceptibility to economic fluctuations. Experiments are conducted methodically using LSTM, and performance metrics are used to evaluate the accuracy of predictions. The findings indicate that sectors with lower volatility, less affected by macroeconomic events inherently, demonstrate superior predictive outcomes. Conversely, sectors with higher volatility present increased complexity and predictive challenges. The study highlights ETF predictions' complex and subtle nature, emphasizing the significance of sector-specific features and how they interact with market dynamics. In general, the LSTM models demonstrate strong and reliable performance, showcasing their ability to capture temporal dependencies and non-linearities in financial data. This research provides significant contributions for researchers and investors, offering a nuanced understanding of LSTM models in the context of stock price forecasting and providing implications for more informed predictions in specific sectors.