Finansal Zaman Serilerinin Tahmininde Yaygın Zamansal Özelliklerin KarakterizasyonuAta Eren Arslan1, Selami Beyhan21Çelebi Hava Servisi Genel Müdürlüğü, Mali İşler Direktörlüğü,Arnavutkoy/İstanbul
2Yıldız Teknik Üniversitesi, Yapay Zeka ve Veri Mühendisliği, Esenler/İstanbul
Amaç: Finansal zaman serilerinin tahmininde, hisse senedi fiyatları sektörel bağımlılıklar ve finansal piyasalardan kaynaklanan ortak dalgalanmalar nedeniyle benzer dinamikler göstermektedirler. Bundan dolayı, ilişkili hisse senetlerinin fiyatları geçmiş değerlerine ek olarak özellikler üretiminde kullanılabilir.
Yöntem: Bu çalışmada, finansal zaman serilerinde bulunan beş zamansal desen (mevsimsellik, rejim değişimi, trend, oynaklık ve ani değişim) kullanılarak yeni bir ortak dinamik analizi önerilmektedir. Bu potansiyel dinamikler kayan pencereler üzerinden hesaplanmakta olup değişim yönlerinin değerlerine bağlı olarak ikili bir kovaryans matrisi oluşturulmaktadır. Ardından en yüksek kural değerine sahip kural kümeleri hakkında bilgi sahibi olmak amacıyla kural madenciliği uygulanmakta, bu kurallardaki öncül hisse senetlerinin fiyatları ise özellik kümesinin oluşturulmasında kullanılmaktadır. Bu doğrultuda, temel bir LSTM mimarisi kullanılarak çok girişli tek çıkışlı bir model önerilmiş ve uygulanmıştır.
Bulgular: Bilinmeyen gelecek görüşleri için, giriş hisse senedi fiyatları, temel hisse senetleri fiyatları tahmininde gerekli olduğundan, ayrı LSTM modelleri ile otoregresif olarak tahmin edilmiştir.
Sonuç: Özetle, bu çalışmanın iki ana katkısı vardır. Birincisi, hisse senedi fiyatları, giriş özellikleri için kural kümelerini sağlayan ortak zamansal desen fonksiyonları ile analiz edilmiştir. İkincisi, tahminleme performansı ortak dinamikler ile geliştirilmiştir. Uygulama sonuçları göstermektedir ki önerilen yöntemin aynı model ile kıyasla performansı %28 oranında artırdığını doğrulamaktadır. Anahtar Kelimeler: Borsa Tahmini, Zamansal Desenler, Veri Madenciliği, Uzun-Kısa Süreli Hafıza, Ortak Dinamikler Analizi.
Characterization of Common Temporal Features for Forecasting of Financial Time SeriesAta Eren Arslan1, Selami Beyhan21Çelebi Ground Handling Turkey, General Directorate, Financial Affairs Directorate, Arnavutkoy/Istanbul
2Yıldız Technical University, Artificial Intelligence and Data Engineering, Esenler/Istanbul
Purpose: In forecasting of financial time series, stock prices have similar dynamics due to the sectoral dependencies and common disturbances from the financial market. Therefore, associated stock prices can be used to create features in addition to the past values of the target stock prices.
Methods: In this study, a novel common dynamics analysis is proposed between financial time series using five temporal patterns such as seasonality, regime switching, trend, volatility and instantaneous change. These potential dynamics are computed over sliding windows, and a binary covariance matrix is constructed based on the direction of their changes. Subsequently, rule mining is applied to construct the rule-set with highest confidence values where stock prices in rule antecedents are used to construct the feature set. A multiple-input single-output model is proposed and trained using a fundamental LSTM architecture.
Results: For the unknown future horizons, the values of input stock prices are predicted autoregressively by separate LSTM models since their values are needed when forecasting the primary target stock price values.
Conclusion: As a summary, this paper has two major contributions. First, stock prices are analyzed with common temporal pattern functions that they provide rule sets for input features. Second, forecasting performance is highly improved using common dynamics such that the application results confirm that the proposed method improves the forecasting performance up to 28% using the same model. Keywords: Stock Market Prediction, Temporal Patterns, Data Mining, Long Short-Term Memory, Common Dynamics Analysis.
Sorumlu Yazar: Selami Beyhan, Türkiye
|
|
Tam Metin PDF
Yazdır
Alıntıyı İndir
RIS
E-Postala
Paylaş
Yazara e-posta gönder
Google Scholar