Prediction of Financial Time Series with Deep Learning Algorithms

Dilara Elize Pamukçu; Yeşim Aygül; Onur Uğurlu

Makale detayları

Prediction of Financial Time Series with Deep Learning Algorithms

Yazarlar:

Dilara Elize Pamukçu | Yeşim Aygül | Onur Uğurlu

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Mühendislik

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 3, pp.935-946

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001307806

pISSN:

1300-5413

Anahtar kelimeler:

Özet:

 Stock market index data, foreign currency, and gold have an important place in financial time series. Therefore, value or direction of movement estimation studies on this subject attracts the attention of both investors and researchers. This study aims to estimate the daily value of the US Dollar, Gold, and Borsa Istanbul XU 100 index using deep learning methods: Recurrent Neural Networks and Long-Short-Term Memory. A data set consisting of 2280 business days between 2013-2022, which includes the date, US Dollar, Gold, and XU 100 closing data, was used in the study. Mean absolute error, mean square error, root mean square error, and coefficient of determination were used to evaluate the performance of the developed prediction models. When the results were examined, it was seen that the Long-Short-Term Memory algorithm performs better than the Recurrent Neural Network algorithm and achieved a determination coefficient value of over 95 for the US Dollar, Gold, and XU 100 index. Moreover, the findings obtained in the study indicate that deep learning algorithms can show high prediction performance on financial time series without using extra independent variables.

 Stock market index data, foreign currency, and gold have an important place in financial time series. Therefore, value or direction of movement estimation studies on this subject attracts the attention of both investors and researchers. This study aims to estimate the daily value of the US Dollar, Gold, and Borsa Istanbul XU 100 index using deep learning methods: Recurrent Neural Networks and Long-Short-Term Memory. A data set consisting of 2280 business days between 2013-2022, which includes the date, US Dollar, Gold, and XU 100 closing data, was used in the study. Mean absolute error, mean square error, root mean square error, and coefficient of determination were used to evaluate the performance of the developed prediction models. When the results were examined, it was seen that the Long-Short-Term Memory algorithm performs better than the Recurrent Neural Network algorithm and achieved a determination coefficient value of over 95 for the US Dollar, Gold, and XU 100 index. Moreover, the findings obtained in the study indicate that deep learning algorithms can show high prediction performance on financial time series without using extra independent variables.

 Stock market index data, foreign currency, and gold have an important place in financial time series. Therefore, value or direction of movement estimation studies on this subject attracts the attention of both investors and researchers. This study aims to estimate the daily value of the US Dollar, Gold, and Borsa Istanbul XU 100 index using deep learning methods: Recurrent Neural Networks and Long-Short-Term Memory. A data set consisting of 2280 business days between 2013-2022, which includes the date, US Dollar, Gold, and XU 100 closing data, was used in the study. Mean absolute error, mean square error, root mean square error, and coefficient of determination were used to evaluate the performance of the developed prediction models. When the results were examined, it was seen that the Long-Short-Term Memory algorithm performs better than the Recurrent Neural Network algorithm and achieved a determination coefficient value of over 95 for the US Dollar, Gold, and XU 100 index. Moreover, the findings obtained in the study indicate that deep learning algorithms can show high prediction performance on financial time series without using extra independent variables.

 Borsa endeks verileri, döviz ve altın finansal zaman serileri içerisinde önemli bir yere sahiptir. Bu konuda yapılacak değer ya da hareket yönü tahmini çalışmaları hem yatırımcıların hem de araştırmacıların ilgisini çekmektedir. Bu çalışmada, derin öğrenme yöntemlerinden Tekrarlayan Sinir Ağları ve Uzun-Kısa Süreli Bellek algoritmaları ile; Dolar, Altın ve BİST 100 endeksinin günlük değer tahmini amaçlanmıştır. Çalışmada tarih, dolar, altın ve BİST 100 günlük kapanış verileri içeren 2013-2022 yılları arasındaki 2280 iş gününden oluşan bir veri seti kullanılmıştır. Geliştirilen tahmin modellerinin performanslarını değerlendirmek için ortalama mutlak hata, ortalama karesel hata, hata kareler ortalamasının karekökü ve belirlilik katsayısı değerlendirme ölçütleri kullanılmıştır. Tahmin sonuçları incelendiğinde Uzun-Kısa Süreli Bellek algoritmasının Tekrarlayan Sinir Ağı algoritmasına göre daha iyi performans gösterdiği ve Dolar, Altın ve BİST 100 endeksi için belirlilik katsayısı değerinin 95in üzerinde olduğu görülmüştür. Ayrıca çalışmada elde edilen bulgular, derin öğrenme algoritmalarının finansal zaman serileri üzerinde ekstra bağımsız değişkenlere ihtiyaç duymadan yüksek tahmin başarımı gösterebileceğini belirtmektedir.

Makale detayları

Prediction of Financial Time Series with Deep Learning Algorithms

Yazarlar:

Dilara Elize Pamukçu | Yeşim Aygül | Onur Uğurlu

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Mühendislik

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 3, pp.935-946

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001307806

pISSN:

1300-5413

Applied Mathematics

Data Mining

Deep Learning

Financial Time Series

LSTM

RNNDerin öğrenme

Finansal Zaman serileri

LSTM

RNN

Uygulamalı Matematik

Veri Madenciliği

Sayı

Makale detayları

Yazarlar: Dilara Elize Pamukçu | Yeşim Aygül | Onur Uğurlu

Yayıncı: Van Yuzuncu Yıl University

Ana Başlıklar: Mühendislik

Dergi: Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 3, pp.935-946

Belge Tipi: Makale

Yayın Tarihi: 12/2023

Belge Dili: İngilizce

Document ID (Org No.): 2001307806

pISSN: 1300-5413

Sayı

Yazarlar:

Dilara Elize Pamukçu | Yeşim Aygül | Onur Uğurlu

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Mühendislik

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.28 Issue 3, pp.935-946

Belge Tipi:

Makale

Yayın Tarihi:

12/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001307806

pISSN:

1300-5413