DERİN ÖĞRENME MODELLERİ İLE HİSSE SENEDİ FİYAT TAHMİNİ: LSTM, GRU, RNN, MLP MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ
| dc.contributor.author | Çolak, Zeynep | |
| dc.date.accessioned | 2025-05-29T05:39:10Z | |
| dc.date.available | 2025-05-29T05:39:10Z | |
| dc.date.issued | 2025 | |
| dc.department | Çanakkale Onsekiz Mart Üniversitesi | |
| dc.description.abstract | Borsa hakkında tahminlerde bulunmak oldukça zordur ve veri kalıplarına ilişkin kapsamlı bir araştırma gerektirir. Finans analistleri, büyük veri çağında hisse senedi fiyat tahminlerinde genellikle derin öğrenme tekniklerine başvurmaktadır Bu teknikler, tahminlerin doğruluğunu artırarak yatırımcıların daha bilinçli kararlar almasına olanak tanıyabilmektedir. Ancak, hisse senedi fiyat tahmini, borsa piyasasının karmaşık yapısı ve dinamik etkileşimleri nedeniyle finansal tahminler alanındaki en zorlu ve öngörülemez görevlerden biri olarak kalmaktadır. Derin öğrenme teknolojisi, öncelikle hisse senedi fiyatlarına dayalı finansal zaman serisi tahminini iyileştirmek için finans sektöründe yaygın olarak kullanılmaktadır. Geleneksel hisse senedi fiyat tahmin modellerindeki düşük uyum ve zayıf doğruluk sorununu çözmek için bu makale, derin öğrenme algoritmalarına dayalı bir hisse senedi fiyat tahmin modeli önermektedir. Bu çalışmada, finans piyasalarının en köklü şirketlerinden biri olan Nike'ın (NKE) hisse senedi fiyat hareketleri, modern derin öğrenme yaklaşımları kullanılarak analiz edilmiştir. 1993'ten 2024'e uzanan 31 yıllık süreçte, Nike hissesinin günlük açılış, yüksek, düşük, kapanış fiyatları ve işlem hacimlerini içeren bir veri seti kullanılmıştır. Bu amaçla, Uzun-Kısa Süreli Bellek (LSTM) Kapılı Tekrarlayan Birim (GRU) Yinelemeli Sinir Ağları (RNN) Çok Katmanlı Algılayıcı (MLP) olmak üzere dört farklı derin öğrenme modeli ele alınmıştır. Analiz sonuçlarına göre, eğitim metrikleri, LSTM modelinin en düşük MAE (1.606) ve RMSE (0.821) değerleriyle en başarılı eğitim performansını sergilediğini ve 0.998 R² değeriyle veri setindeki varyansın büyük bir kısmını açıkladığını göstermektedir. GRU modeli ise biraz daha yüksek hata metriklerine (MAE: 1.009, RMSE: 1.190) sahip olmakla birlikte, 0.996 R² değeriyle güçlü tahmin yeteneğini korumaktadır. Buna karşılık, RNN ve MLP modelleri, sırasıyla 1.827 ve 1.786 RMSE değerleri ile daha yüksek hata oranları göstermiş ve zaman serisi verilerindeki karmaşık bağımlılıkları yakalamada yetersiz kalmıştır. Sonuçlar, finansal zaman serisi tahminlerinde LSTM ve GRU modellerinin sağladığı avantajları vurgularken, bu modellerin kullanımının özellikle uzun vadeli analizlerde güvenilir sonuçlar üretebileceğini göstermiştir | |
| dc.description.abstract | Making predictions about the stock market is challenging and requires extensive research into data patterns. In the era of big data, financial analysts often resort to deep learning techniques in stock price forecasting. These techniques can improve the accuracy of forecasts, allowing investors to make more informed decisions. However, stock price forecasting remains one of the most challenging and unpredictable tasks in financial forecasting due to the complexity and dynamic interactions of the stock market. Deep learning technology has been widely used in the financial industry, primarily to improve financial time series forecasting based on stock prices. This paper proposes a stock price prediction model based on deep learning algorithms to solve the problem of low fit and poor accuracy in traditional stock price prediction models. This study analyzes the stock price movements of Nike (NKE), one of the most established companies in the financial markets, using modern deep learning approaches. We use dataset of daily opening, high, low, and closing prices and trading volumes of Nike stock over 31 years from 1993 to 2024. For this purpose, four different deep learning models, namely Long-Short Term Memory (LSTM) Gated Recurrent Unit (GRU) Recurrent Neural Networks (RNN) Multilayer Perceptron (MLP), were used. According to the analysis results, the training metrics show that the LSTM model exhibits the most successful training performance with the lowest MAE (1.606) and RMSE (0.821) values and explains a large portion of the variance in the dataset with an R² value of 0.998. The GRU model, on the other hand, has slightly higher error metrics (MAE: 1.009, RMSE: 1.190), but maintains its strong prediction ability with an R² value of 0.996. In contrast, the RNN and MLP models showed higher error rates with RMSE values of 1.827 and 1.786, respectively, and were insufficient to capture complex dependencies in time series data. The results highlight the advantages of LSTM and GRU models in financial time series forecasting and show that using these models can produce reliable results, especially in long-term analysis. | |
| dc.identifier.endpage | 1286 | |
| dc.identifier.issn | 1304-5318 | |
| dc.identifier.issn | 2147-9771 | |
| dc.identifier.issue | 56 | |
| dc.identifier.startpage | 1250 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12428/32188 | |
| dc.identifier.volume | 23 | |
| dc.institutionauthor | Çolak, Zeynep | |
| dc.language.iso | tr | |
| dc.publisher | Çanakkale Onsekiz Mart Üniversitesi | |
| dc.relation.ispartof | Yönetim Bilimleri Dergisi | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_DergiPark_20250529 | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Hisse senedi tahmini | |
| dc.subject | LTSM | |
| dc.subject | GRU | |
| dc.subject | RNN | |
| dc.subject | MLP | |
| dc.title | DERİN ÖĞRENME MODELLERİ İLE HİSSE SENEDİ FİYAT TAHMİNİ: LSTM, GRU, RNN, MLP MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ | |
| dc.title.alternative | STOCK PRICE PREDICTION WITH DEEP LEARNING MODELS: COMPARATIVE ANALYSIS OF LSTM, GRU, RNN, MLP MODELS | |
| dc.type | Research Article |
