Melez tip-1 bulanık zaman serisi fonksiyonları yaklaşımları: Borsa verilerinde uygulama

Abstract

Son yıllarda zaman serisi öngörüsü için olasılıksal modellere alternatif olarak bulanık küme teorisine dayalı yaklaşımlar kullanılmaktadır. Bulanık küme teorisine dayalı yöntemlerde olasılıksal modellerden farklı olarak belirsizliğe bulanık yaklaşım söz konusudur. Bulanık küme teorisine dayalı bulanık çıkarım sistemleri, insan beyninin çıkarım mekanizmasına benzer olarak dilsel değişkenlerle çalışmaktadır. Zaman serisi öngörüsü için bulanık kümelere dayalı yöntemlerin amacı olasılıksal modellere göre daha iyi aralık ve nokta tahminleri üretmektir. Bu tez kapsamında, gerçek hayat zaman serilerinin tamamen doğrusal olmadığı göz önünde bulundurularak, otoregresif model ve tip-1 bulanık fonksiyonlar yaklaşımlarını kullanan bir melez yöntem önerilmiştir. Ayrıca önerilen melez yöntem alt örneklem bootstrap yaklaşımı kullanılarak değiştirilmiş ve böylece ikinci bir öngörü yöntemi önerilmiştir. Her iki yaklaşımda da parametrelerin tahmininde parçacık sürü optimizasyonu algoritması kullanılmıştır. Önerilen ikinci yaklaşımda, bir bulanık öngörü yönteminde istatistiksel çıkarımlar yapmanın mümkün olduğu gösterilmiştir. Önerilen yöntemlerin öngörü performansını göstermek amacıyla 4 farklı borsaya ait zaman serileri kullanılmıştır. Önerilen yöntemler, literatürde var olan diğer bazı öngörü yöntemleri ile öngörü performansı açısından karşılaştırılmış ve önerilen yöntemlerin diğer yöntemlere göre üstün öngörü performansına sahip olduğu görülmüştür.

In recent years, alternative methods have been used commonly for time series forecasting besides probabilistic models. In the methods based on fuzzy set theory, unlike probabilistic models, there is a fuzzy approach to uncertainty. Fuzzy inference systems based on the fuzzy set theory work with linguistic variables similar to the extraction mechanism of the human brain. The aim of the methods based on the fuzzy set theory for time series forecasting is to produce better interval and point estimations than probabilistic models. Within the scope of this thesis, considering that the real-life time series are not completely linear, a hybrid method using autoregressive model, and type-1 fuzzy functions approaches is proposed. In addition, the proposed hybrid method has been modified by using the subsampling bootstrap approach, and thus a second forecasting method is proposed. In both approaches, particle swarm optimization algorithm is used to determine the parameters. The proposed second approach shows that it is possible to make statistical inferences in a fuzzy forecasting method. Four different stock exchange time series were used in order to show the forecasting performance of the proposed methods. The proposed methods are compared with some other forecasting methods in the literature in terms of forecasting performance and it is seen that the proposed methods have superior forecasting performance than the other methods.