Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11851/10597
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAbul, Osman-
dc.contributor.authorTüfekci, Zeynep-
dc.date.accessioned2023-08-20T19:42:30Z-
dc.date.available2023-08-20T19:42:30Z-
dc.date.issued2023-
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=j_Fjwp4JS4mk97Puqti8roNIe3_wcQJ-RwZMYQS9SzTAxDrSz_mBKYblWNIc379r-
dc.identifier.urihttps://hdl.handle.net/20.500.11851/10597-
dc.description.abstractBu çalışmanın amacı, Doğru ve Yanlış Al / Sat önerilerini ayırt etmek için makine öğrenme yöntemi ile bir karar destek sistemi geliştirmektir. 30/70 Göreceli Güç İndeksi şeması gibi çeşitli öneri şemaları birçok yatırımcı tarafından etkin bir şekilde kullanılmaktadır. Bununla birlikte, bu öneri şemalarından üretilen sinyaller art arda ve çok sık olması dolayısıyla çoğu zaman şüpheli bulunmakta ve bu nedenle eyleme geçilememektedir. Bu çalışmada, fiyat verilerinden faydalanarak optimal bir yatırım modeli çıkarmak için dinamik programlama formülasyonu geliştirilmektedir. Bu optimal yatırım modeli, çeşitli finansal göstergelerle daha sonra çevrimiçi olarak başvurulabilecek ikili sınıflandırma modelini elde etmek için kullanılmaktadır. Dolayısıyla, önerilen sistem yatırımcılara birincil tavsiye veren indikatörlerden kalan belirsizliklerin ortadan kaldırılmasına yardımcı olur. Dinamik programlama formülasyonu, doğrusal zamanda verimli bir şekilde çalışmaktadır. Dinamik Programlama, birincil önericinin AL-SAT önerilerinin içinden daha iyi olanlarının belirlenip, etiketlenmesi aşamasında kullanılmıştır. Bu yaklaşım, deneysel olarak BIST-100, DOW-30 hisse senetleri ve döviz kurları üzerinde değerlendirilmiştir. Tahmin özellikleri olarak kullanılan teknik göstergeler; Göreceli Güç İndeksi, Trend Normalize edilmiş Göreceli Güç İndeksi, Yüzde Fiyat Osilatörü, Bollinger Bant Yüzdesi, Stokastik Osilatör, Fiyat Değişim Oranı ve Emtia Kanal İndeksi'dir. Bu çalışmada, Destek Vektör Makineleri, ikili sınıflandırma modeli olarak kullanılmaktadır. Bir günün sonunda oluşan göstergeleri öznitelik olarak kullanmanın yanı sıra, ardışık iki günün teknik göstergeleri öznitelik olarak kullanılarak daha başarılı sonuc elde edilmiştir. Bu çok zor ikili sınıflandırma görevinde tek günün verileri ile %70 üzerinde, ardışık iki günün verileri ile %73un üzerinde doğruluk elde edilmiştir.en_US
dc.description.abstractThe objective of this study is to develop decision support system applying machine learning methods to distinguish True and False Buy/Sell recommendations. Various recommendation schemes, like 30/70 RSI (Relative Strength Index) scheme, are effectively used by many traders. However, the triggers produced by such recommendation schemes are found suspicious most of the time, and hence are non-actionable. In this study we develop a dynamic programming formulation to extract an optimal trade pattern from the price data sets. Such patterns are further augmented with several financial indicators to obtain binary classification model which is going to be consulted online. So, our system assists investors with removing uncertainties left from the primary recommender. We show that our dynamic programming formulation runs efficiently in linear time. Dynamic Programming is used to identify and label the better ones among the primary BUY and SELL recommendations. The approach is experimentally evaluated on BIST-100, DOW-30 stocks and currency pairs. The technical indicators used as predictor features are RSI, Trend Normalized RSI, Percentage Price Oscillator, Bollinger Band Percentage, Stochastic Oscillator, Rate of change (ROC), and Commodity Channel Index (CCI). We use Support Vector Machines as the binary classification algorithm. In addition to using the indicators formed at the end of each day as an attribute, better results were obtained by using the technical indicators of two consecutive days as attributes. Accuracy over %70 was achieved with data from a single day and over %73 with data from two consecutive days in this very difficult binary classification task.en_US
dc.language.isotren_US
dc.publisherTOBB ETÜen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleDogru ve Yanlis Al Sat Önerilerinin Finansal Teknik İndikatörler ile Ayirt Edilmesien_US
dc.title.alternativeDistinguishing True and False Buy/Sell Triggers From Financial Technical Indicatorsen_US
dc.typeMaster Thesisen_US
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.departmentInstitutes, Graduate School of Engineering and Science, Computer Engineering Graduate Programsen_US
dc.identifier.startpage1en_US
dc.identifier.endpage80en_US
dc.institutionauthorTüfekci, Zeynep-
dc.relation.publicationcategoryTezen_US
dc.identifier.yoktezid803105en_US
item.openairetypeMaster Thesis-
item.languageiso639-1tr-
item.grantfulltextopen-
item.fulltextWith Fulltext-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.cerifentitytypePublications-
Appears in Collections:Bilgisayar Mühendisliği Yüksek Lisans Tezleri / Computer Engineering Master Theses
Files in This Item:
File SizeFormat 
803105 (2).pdf5.54 MBAdobe PDFView/Open
Show simple item record



CORE Recommender

Page view(s)

150
checked on Dec 23, 2024

Download(s)

38
checked on Dec 23, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.