Duygu analizi ve derin öğrenme kullanılarak borsaya kote ulaştırma şirketlerine ait endekslerin tahmin edilmesi

Abstract

Teknoloji kullanımının ve globalleşmenin etkisiyle birlikte hisse senetleri fiyatlaması dünyada önemli bir rol almaya başlamıştır. Bu çalışmada, havacılık sektöründe faaliyet gösteren Türk Hava Yollari AO (THYAO) ve Pegasus Hava Taşımacılığı A.Ş. (PGSUS) hisse senetlerine ait 10 yıllık finansal verilere ek olarak şirketlere ait haberler duygu analizi yöntemleri ile analiz edilerek hisse senedi fiyat tahminleme başarısının artırılması amaçlanmıştır. Çalışmanın ilk adımında sadece finansal veriler kullanılarak Uzun Kısa Süreli Hafıza (LSTM) ve Evrişimsel Sinir Ağları (CNN) algoritmaları ile model kurulmuştur. İkinci adımında ise şirketlere ait Kamuoyu Aydınlatma Platformu (KAP)’ndan alınmış özel durum verileri VADER yöntemi kullanılarak analiz edilmiştir. Duygu analizi sonuçları finans verilerine eklenerek Deep Learning (DL) algoritmaları ile hisse senedi kapanış fiyatları tahmin edilmiştir. Oluşturulan tüm modellerin performansı Kök Ortalama Kare Hatası (RMSE) değerleri hesaplanarak değerlendirilmiştir. Yapılan deneyler sonucunda, oluşturulan hibrit modellerden duygu analizi sonuçları ile birlikte eğitilen CNN tabanlı modellerin düşük hata değeriyle daha doğru sonuçlar verdiği görülmüştür.

With the effect of technology use and globalization, stock pricing has started to play an important role in the world. In this study, in addition to the 10-year financial data of Turkish Airlines AO (THYAO) and Pegasus Air Transport Inc. (PGSUS) stocks operating in the aviation sector, it is aimed to increase the success of stock price estimation by analyzing the news of companies with sentiment analysis methods. In the first step of the study, a model was established with Long Short Term Memory (LSTM) andConvolutional Neural Networks (CNN) algorithms using only financial data. In the second step, the special situation data obtained from the Public Disclosure Platform (KAP) of the companies were analyzed using the VADER method. Sentiment analysis results were added to the financial data and stock closing prices were predicted with Deep Learning (DL) algorithms. The performance of all models created was evaluated by calculating Root Mean Square Error (RMSE) values. As a result of the experiments, it was observed that CNN-based models trained together with emotion analysis results from the hybrid models created gave more accurate results with a low error value