Yüksek frekanslı mali piyasa verileri üzerinde yapay sinir ağı tabanlı karar verici tahmin modelleri

Abstract

Yüksek frekanslı mali piyasa verilerinin tahmin edilmeleri ve modellenmeleri, tamamen imkansız olmasa da, stokastik prosesler ve çok sayıda rastgele faktör araya girdiğinden, çok zordur. Bu çalışmada; mali zaman serisi tahmini ve karar alınmasına yardımcı, yeni bir Yapay Zeka modeli tasarlanmış ve geliştirilmiştir. Döviz çiftlerinin tahmin başarı yüzdelerinin artırılması iki şekilde irdelenmiştir: ilk olarak mühendislik tasarımlarıyla tahmin modellerinin ortaya çıkmasını sağlayacak metodolojinin kullanımı ile, kaos teorisi ve fiyat grafiklerinin görsel özelliklerinin devreye sokulması, ikinci olarak da en güncel ve güçlü yöntemlerin kullanılması. Görsel özellikleri kullanan yaklaşımda, aynı Yapay Görmedeki gibi, yoğunluk bölgeleri ile birlikte şekli tanımlayan yüksek ve düşük fiyat değerlerinden faydalanılmaktadır. Modellemede esas olarak Yapay Sinir Ağları uygulanmakta olup; diğer popüler yöntemlerden, İleri Gradyant Artırımı ve Destek Vektör Makinesi de karşılaştırma amaçlı olarak kullanılmıştır. Tasarlanan system ayrıca yazılımla gerçek zamanlı alım-satım robotu olarak da kodlanmıştır. Testler ve simulasyonlarda tatmin edici sonuçlar elde edilmiştir.

High frequency financial data are somewhat hard to model or predict, if not totally impossible, as stochastic processes and many other random factors are involved. In this thesis; a novel Artificial Intelligence model is designed and developed for financial time series prediction and decision making. Possibility to enhance prediction accuracy for foreign exchange rates is investigated in two ways: first applying an outside the box approach by bringing about methodology and techniques to facilitate the use of predictive models in engineering design to model price graphs by exploiting their visual properties together with principles of chaos theory, and secondly employing the most efficient methods to detect patterns to classify the direction of movement. The approach that exploits the visual properties of price graphs makes use of density regions along with high and low values describing the shape just as in Machine Vision. Mainly Artificial Neural Networks are used in modeling. However, other state-of-the-art methods; Extreme Gradient Boosting and Support Vector Machine are too used for comparison. The designed system is also software coded as a real-time trading robot. Comparable prediction results and profits are achieved in tests and simulations.