Show simple item record

dc.contributor.advisorÜnsal, Aydın
dc.contributor.authorÖzgür, Özler
dc.date.accessioned2021-05-05T08:35:57Z
dc.date.available2021-05-05T08:35:57Z
dc.date.submitted2016
dc.date.issued2019-11-16
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/566350
dc.description.abstractÇalışmada, makine öğrenmesi kavramlarından saklı Markov modelleri ve yapay sinir ağları finansal zaman serilerinin bir sonraki dönem öngörüsü için kullanılmıştır. Çıkan öngörü sonuçları parametrik modeller olan ARIMA ve GARCH'tan çıkan öngörü sonuçları ile karşılaştırılmıştır. Çalışma dört bölümden oluşmaktadır. Birinci bölümde finansal zaman serilerine temel teşkil eden rassal süreçler konusu gözden geçirilmiştir. İkinci bölümde finansal zaman serileri analizinde kullanılan Box-Jenkins yöntemi ile ARCH/GARCH modellerinden bahsedilmiştir. Üçüncü bölümde makine öğrenmesi konusuna kısaca değinilmiş, saklı Markov modelleri ve yapay sinir ağları ile ilgili bilgiler verilmiştir. Son bölüm olan dördüncü bölümde ise ikinci ve üçüncü bölümdeki yöntemler BIST 100 günlük kapanış toplam getiri endeksi verilerine öngörü amaçlı uygulanmış, ortalama mutlak hata performans ölçütü kullanılarak çıkan sonuçlar karşılaştırılmıştır. ARCH/GARCH modellerinin çalışmadaki diğer modellere göre daha iyi öngörü sonuçları ürettiği görülmüştür.Anahtar Kelimeler : Saklı Markov modelleri, yapay sinir ağları, Box-Jenkins yöntemi,ARIMA, ARCH/GARCH, beklenti büyütme algoritması, rassal süreçler
dc.description.abstractIn this study, some concepts of machine learning namely, hidden Markov models and artificial neural networks were used for financial time series' next period forecast. Forecast results were compared with those from parametric ARIMA and GARCH models. The study consists of four chapters. In the first chapter, the concept of stochastic processes which is principal for financial time series was reviewed. In the second chapter Box-Jenkins methodology and ARCH/GARCH models which are used in financial time series analysis were mentioned. In the third chapter, the concept of machine learning was referred and information about hidden Markov model and artificial neural networks was provided. In the fourth and the last chapter, methods which were discussed in the second and the third chapters were applied to daily closing values of BIST 100 total return index for forecast and model results were compared with mean absolute error performance criteria. It is concluded that, ARCH/GARCH models have produced better forecast results compared to the other models in the study.Key Words : Hidden Markov models, artificial neural networks, Box-Jenkins methodology, ARIMA, ARCH/GARCH, expectation-maximization algorithm, stochastic processesen_US
dc.languageTurkish
dc.language.isotr
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectEkonometritr_TR
dc.subjectEconometricsen_US
dc.subjectEkonomitr_TR
dc.subjectEconomicsen_US
dc.subjectİstatistiktr_TR
dc.subjectStatisticsen_US
dc.titleBİST 100 getiri endeksinin farklı yöntemlerle öngörülerek sonuçlarının karşılaştırılması
dc.title.alternativeForecasting BİST 100 return index with different methods and comparing results
dc.typedoctoralThesis
dc.date.updated2019-11-16
dc.contributor.departmentEkonometri Ana Bilim Dalı
dc.subject.ytmHidden Markov model
dc.subject.ytmMachine learning methods
dc.subject.ytmRandom processes
dc.subject.ytmBox-Jenkins
dc.subject.ytmGARCH model
dc.subject.ytmArtificial neural networks
dc.subject.ytmExpectations
dc.subject.ytmARCH model
dc.subject.ytmARIMA
dc.subject.ytmİstanbul Stock Exchange
dc.identifier.yokid10129720
dc.publisher.instituteSosyal Bilimler Enstitüsü
dc.publisher.universityGAZİ ÜNİVERSİTESİ
dc.identifier.thesisid462190
dc.description.pages186
dc.publisher.disciplineDiğer


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess