Show simple item record

dc.contributor.advisorAkal , Fuat
dc.contributor.authorTaburoğlu , Seçil
dc.date.accessioned2019-10-21T12:39:27Z
dc.date.issued2019
dc.date.submitted2019-09-12
dc.identifier.urihttp://hdl.handle.net/11655/9424
dc.description.abstractIt is quite complicated and difficult to predict the price changes direction of stock, because of the price changes of stock are non-linear. Some statistical methods are used to estimate these price changes direction, but these methods are often inadequate in complex stock markets. In this thesis study, a method which tries to predict the changes direction of price in capital markets based on BIST stocks is presented. This method is also the basis for fair and safe trading of stock market transactions with depth analysis. First of all, stocks which have similar financial structure were selected by using fundamental analysis. In the long term, fundamental analysis data were used to find the best yields. Then, the depth and technical analysis data were used to construct the feature vector. These data were obtained from the order books received from Borsa Istanbul. The information in depth analysis was used to estimate the future trend in financial prices. However, in the depth analysis, the fact that the sales order is too high may not mean that the price of the stock will decrease, but the fact that the purchase orders are too high may not mean that the price will increase. It is not the right method to decide whether the stock will rise or fall just by looking at the depth analysis. Therefore, technical analysis was used as a second indicator. In the technical analysis, the historical data and price movements of the stock are analyzed, and the possible future price movements are estimated. In the price iv estimation, backpropagation neural networks and random forest were used. In this thesis, the combined use of fundamental analysis, technical analysis and depth analysis has contributed to studies in this area.tr_TR
dc.description.tableofcontentsABSTRACT ........................................................................................................ iii ACKNOWLEDGEMENTS ................................................................................... v TABLE OF CONTENTS ..................................................................................... vi LIST OF FIGURES ........................................................................................... viii LIST OF TABLES ............................................................................................... ix LIST OF ABBREVIATIONS AND SYMBOLS ..................................................... x 1. INTRODUCTION ..................................................................................... 1 1.1. Research Contribution ............................................................................. 2 1.2. Thesis Outline .......................................................................................... 3 2. LITERATURE SURVEY ........................................................................... 4 2.1. Machine Learning Techniques Using the Technical Analysis .................. 4 2.1.1 Studies for BIST ................................................................................. 5 2.2. Machine Learning Techniques Using the Order Book Data ..................... 5 3. PRELIMINARIES ..................................................................................... 7 3.1. Fundamental Analysis .............................................................................. 7 3.2. Technical Analysis ................................................................................. 10 3.2.1. Moving Average Convergence Divergence (MACD) ....................... 10 3.2.2. Simple Moving Average (SMA) ....................................................... 10 3.2.3. Weighted Moving Average (WMA) .................................................. 11 3.2.4. Relative Strength Index (RSI) .......................................................... 11 3.2.5. Rate of Change (ROC) .................................................................... 11 3.2.6. Average True Range (ATR) ............................................................. 11 3.2.7. Bollinger Bands ............................................................................... 12 3.2.8. Momentum (MOM) .......................................................................... 12 3.2.9. Commodity Channel Index (CCI) ..................................................... 12 3.2.10. Stochastic K%D ............................................................................. 12 3.3. Order Book ............................................................................................. 13 3.4. Machine Learning Techniques ............................................................... 17 vii 3.4.1. Artificial Neural Network ................................................................... 18 3.4.2 Random Forest ................................................................................. 20 4. METHOD ................................................................................................ 21 4.1. Stock Selection ....................................................................................... 23 4.2. Data Source ............................................................................................ 26 4.3. Feature Selection ................................................................................... 27 4.3.1. Technical Indicators Selection ......................................................... 27 4.3.2. Order Book Feature Selection .......................................................... 28 4.4. Design of the Proposed Method ............................................................. 33 4.4.1. Machine Learning Algorithms ........................................................... 33 4.4.2. Training and Testing Dataset ........................................................... 34 4.4.3. Evaluation Metrics ............................................................................ 35 5. EXPERIMENT RESULTS AND ANALYSIS ............................................ 36 5.1. Cumulative Profits .................................................................................. 42 5.1. Stock Price Prediction Test ..................................................................... 43 5.1. Statistical Significance Tests .................................................................. 44 6. CONCLUSION AND FURTHER SUGGESTIONS .................................. 47 REFERENCES .................................................................................................. 49 APPENDICES ................................................................................................... 53 EK 1 – Order Book ........................................................................................ 53 EK 2 – Feature Importances .......................................................................... 55 EK 3 – Prediction Performances .................................................................... 63 AUTHOR’S CV .................................................................................................. 71tr_TR
dc.language.isoengtr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectOrder booktr_TR
dc.subjectTechnical analysistr_TR
dc.subjectFundamental analysistr_TR
dc.subjectMachine learningtr_TR
dc.subjectBackpropagation neural networktr_TR
dc.subjectRandom foresttr_TR
dc.titleA Hybrid and Reliable Method Integrating Depth and Technical Analysis with Machine Learning Techniques for Predicting Stock Pricestr_TR
dc.title.alternativeHisse Senedi Fiyat Hareketlerinin Tahmini İçin Makine Öğrenim Teknikleri ile Derinlik ve Teknik Analizi Entegre Eden Hibrit ve Güvenilir Bir Yöntemtr_TR
dc.typemasterThesistr_TR
dc.description.ozetHisse senetlerinin fiyat değişimleri doğrusal olmayan bir yapıda olduğundan, hissenin fiyatının değişim yönünü tahmin etmek oldukça karmaşık ve zor bir iştir. Bu fiyat değişim yönünü tahmin etmek için bazı istatiksel yöntemler kullanılmaktadır. Fakat, bu yöntemler karmaşık olan hisse senedi piyasalarında çoğu zaman yetersiz kalmaktadır. Bu tez çalışmasında Borsa Istanbul (BIST) hisselerini temel alan, sermaye piyasalarında fiyat değişimini kısa süreler için tahmin etmek üzerine çalışan bir yöntem ortaya konulmuştur. Bu yöntem ayrıca derinlik analizi ile borsa işlemlerinin adil ve güvenli bir şekilde yapılmasına temel oluşturmaktadır. İlk etapta benzer finansal yapıda olan hisseler temel analiz kullanılarak seçilmiştir. Uzun dönemde en iyi getiri sağlayacak hisseleri bulmakta temel analiz verilerinden yararlanılmıştır. Daha sonra derinlik analizi ve teknik analiz verileri ile öznitelik vektörü oluşturulmuştur. Bu veriler Borsa İstanbul’dan alınan emir defterlerinden elde edilmiştir. Derinlik analizindeki bilgi, finansal fiyatlarda gelecekteki eğilimi tahmin etmek için kullanılmıştır. Fakat derinlik analizinde satış emrinin çok olması hisse senedinin fiyatının düşeceği anlamına gelmeyebileceği gibi alış emirlerinin fazla olması da fiyatının artacağı anlamına gelmeyebilir. Sadece derinlik analizine ii bakarak hisse senedinin yükseleceğine ya da düşeceğine karar vermek doğru bir yöntem değildir. Dolayısıyla ikinci bir gösterge olarak da teknik analiz kullanılmıştır. Teknik analiz yönteminde ise hisse senedinin geçmiş verilerinden yararlanılarak, gelecekteki muhtemel fiyat hareketleri hakkında tahminde bulunulur. Fiyat tahmininde geri beslemeli yapay sinir ağları ve rasgele orman kullanılmıştır. Bu tez çalışmasında temel analiz, teknik analiz ve derinlik analizinin birlikte kullanılması bu alanda yapılan çalışmalara katkı sağlamıştır.tr_TR
dc.contributor.departmentBilgisayar Mühendisliğitr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift-
dc.identifier.ORCIDhttps://orcid.org/0000-0002-5025-0484tr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record