Evrişimsel Sinir Ağları ve Transfer Öğrenme Yaklaşımı Kullanılarak Altın Fiyat Yönünün Tahmini

IF 0.3 Q4 COMPUTER SCIENCE, THEORY & METHODS

Computer Science-AGH Pub Date : 2022-11-30 DOI:10.53070/bbd.1205299

Yahya Altuntaş, Fatih Okumuş, Fatih Kocamaz

{"title":"Evrişimsel Sinir Ağları ve Transfer Öğrenme Yaklaşımı Kullanılarak Altın Fiyat Yönünün Tahmini","authors":"Yahya Altuntaş, Fatih Okumuş, Fatih Kocamaz","doi":"10.53070/bbd.1205299","DOIUrl":null,"url":null,"abstract":"Finansal zaman serisi tahmini ile finansal varlıklar için doğru alım-satım kararları vererek karlılığın arttırılması amaçlanmaktadır. Finansal varlıkların fiyatları pek çok faktörden etkilenen kırılgan bir yapıdadır. Bu nedenle, finansal zaman serisi tahmini uzun yıllardır farklı disiplinlerden araştırmacılar tarafından ilgi gören oldukça zorlu bir görevdir. Bu çalışmada, günlük ons altın fiyat yönünün tahmini için 2007 – 2021 yıllarını kapsayan 15 yıllık tarihsel fiyat verisi kullanılmıştır. Altın fiyat verileri mum grafikleri ve teknik analiz göstergeleri yardımıyla grafik görüntülere dönüştürülmüştür. Bu sayede altın fiyat yön tahmini 2-sınıflı görüntü sınıflandırma problemine indirgenmiştir. Görüntülerin sınıflandırılması için öncü ön-eğitimli evrişimsel sinir ağı modellerinden AlexNet ince-ayarlanarak adapte edilmiştir. Gerçekleştirilen deney sonuçlarına göre, önerilen yaklaşımın sınıflandırma performansı doğruluk, duyarlılık, hassasiyet ve f-ölçütü performans metrikleri için sırasıyla %53,8, %66,97, %37,54 ve %42,05 olarak ölçülmüştür. Ayrıca önerilen yaklaşımın tahminlerine dayalı gerçekleştirilen ticaret stratejisinin karlılık analizleri de yapılmış ve yatırımcılar tarafından sıklıkla kullanılan Göreceli Güç Endeksi ve Al ve Tut yatırım stratejileri ile karşılaştırılmıştır. 3 yıllık vade boyunca gerçekleştirilen piyasa benzetim sonuçlarına göre önerilen yaklaşım %51,77 kar oranıyla diğer yatırım stratejilerinden daha iyi sonuç vermiştir.","PeriodicalId":41917,"journal":{"name":"Computer Science-AGH","volume":null,"pages":null},"PeriodicalIF":0.3000,"publicationDate":"2022-11-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Computer Science-AGH","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.53070/bbd.1205299","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"COMPUTER SCIENCE, THEORY & METHODS","Score":null,"Total":0}

引用次数: 0

Abstract

Finansal zaman serisi tahmini ile finansal varlıklar için doğru alım-satım kararları vererek karlılığın arttırılması amaçlanmaktadır. Finansal varlıkların fiyatları pek çok faktörden etkilenen kırılgan bir yapıdadır. Bu nedenle, finansal zaman serisi tahmini uzun yıllardır farklı disiplinlerden araştırmacılar tarafından ilgi gören oldukça zorlu bir görevdir. Bu çalışmada, günlük ons altın fiyat yönünün tahmini için 2007 – 2021 yıllarını kapsayan 15 yıllık tarihsel fiyat verisi kullanılmıştır. Altın fiyat verileri mum grafikleri ve teknik analiz göstergeleri yardımıyla grafik görüntülere dönüştürülmüştür. Bu sayede altın fiyat yön tahmini 2-sınıflı görüntü sınıflandırma problemine indirgenmiştir. Görüntülerin sınıflandırılması için öncü ön-eğitimli evrişimsel sinir ağı modellerinden AlexNet ince-ayarlanarak adapte edilmiştir. Gerçekleştirilen deney sonuçlarına göre, önerilen yaklaşımın sınıflandırma performansı doğruluk, duyarlılık, hassasiyet ve f-ölçütü performans metrikleri için sırasıyla %53,8, %66,97, %37,54 ve %42,05 olarak ölçülmüştür. Ayrıca önerilen yaklaşımın tahminlerine dayalı gerçekleştirilen ticaret stratejisinin karlılık analizleri de yapılmış ve yatırımcılar tarafından sıklıkla kullanılan Göreceli Güç Endeksi ve Al ve Tut yatırım stratejileri ile karşılaştırılmıştır. 3 yıllık vade boyunca gerçekleştirilen piyasa benzetim sonuçlarına göre önerilen yaklaşım %51,77 kar oranıyla diğer yatırım stratejilerinden daha iyi sonuç vermiştir.

查看原文本刊更多论文

财务时间序列旨在通过对金融资产做出正确的采购和销售决策来提高盈利能力。金融资产成本是一个受多种因素影响的破碎结构。因此，多年来，对不同学科的研究人员来说，估计财务时间序列一直是一项非常困难的任务。在这项研究中，使用了包括2007-2021年在内的15年历史价格数据来估计当前十年的价格方向。黄金数据已通过烟雾图和技术分析显示转换为图形图像。这导致了具有估计黄金价格方向的2度图像分类问题。为了对图像进行分类，AlexNet已经从受过教育的进化神经网络模型中提前进行了调整。根据实验结果，所提出的方法在精度、灵敏度、灵敏度和f维性能指标方面的测量结果分别为53.8%、66.97%、37.54%和42.05%。此外，基于该方法预测的商业策略的流行率分析已与投资者经常使用的Visible Power Endex和Al and Tut投资策略进行了比较。由于三年来市场的相似性，大约51.77%的拟议市场比其他投资策略取得了更好的结果。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Computer Science-AGH COMPUTER SCIENCE, THEORY & METHODS-

CiteScore

1.40

自引率

0.00%

发文量

审稿时长

20 weeks