Algoritmik ticarette kantitatif yatırım stratejileri ve makine öğrenimi kullanarak finansal karar alma yeteneğinin güçlendirilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: HAMMAM JAMEEL MAHMOUD ABURAIDI
Danışman: İman Askerbeyli
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Makine öğrenimi tekniklerinin finansal piyasalara entegrasyonu, geleneksel ticaret ve risk yönetimini dönüştürmüştür. Fiyat Eylem Stratejisi, Temel Analiz Stratejisi ve Yüksek Frekans Stratejisi gibi çeşitli algoritmik ticaret stratejilerinin mevcut olmasına rağmen, bilinçli alım veya satım kararları için hisse senedi hareketlerini doğru bir şekilde tahmin etmek zor olmaya devam etmektedir. Bu tez, S&P500 hisse senedi hareketlerini tahmin etmek için Teknik Göstergeler Stratejisine odaklanarak bu tahmin sorununu ele almaktadır. Teknik Göstergeler Stratejisi, bir hisse senedinin fiyat ve hacim verilerine dayalı matematiksel hesaplamalar kullanarak ticarette alım ve satım kararları vermek için kullanılır. Yatırımcıların kalıpları ve gelecekteki potansiyel fiyat hareketlerini belirlemelerine yardımcı olur. Yahoo Finance API'den hisse senedi fiyat verilerini topladık ve Bollinger Bantları, MACD ve RSI gibi çeşitli teknik göstergelerle zenginleştirdik. Daha sonra hisse senetlerinin aylık getirilerini farklı zaman ufukları için özellik olarak hesapladık. Verileri Göreceli Güç Endeksi (RSI) ve diğer özelliklere göre etiketlemek için bir kendi kendini etiketleme yöntemi kullandık. Ardından test ve değerlendirme için spektral kümeleme modelimizi oluşturduk. Yeni kendi kendini etiketleme yaklaşımımız, %89'un üzerinde test doğruluğu, %87'nin üzerinde hassasiyet ve %86'nın üzerinde geri çağırma ile umut verici sonuçlar gösterdi. Bu araştırma, nicel stratejileri makine öğrenimi ile birleştirmenin veri odaklı finansal karar verme sürecini önemli ölçüde geliştirebileceğini göstermektedir.