Finansal zaman serisi görüntü temsillerinin ön-eğitimli evrişimsel sinir ağları ile sınıflandırılması yoluyla alım satım sinyal tahmini ve algoritmik ticaret uygulamaları
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu doktora tezinde, finansal zaman serisi tahmini yoluyla finansal varlıklar için uygun alım-satım zamanlarının belirlenmesi hedeflenmiştir. Araştırma, algoritmik ticaretin temel bileşeni olan alım-satım kararlarının otomatikleştirilmesi bağlamında, derin öğrenmeye dayalı bir çerçeve önermektedir. Çalışmanın temel problemi; geçmiş finansal zaman serisi verilerinden elde edilen teknik analiz göstergelerine ait grafiklerin, görüntü sınıflandırma yaklaşımları ile işlenerek gelecekteki fiyat hareketlerinin tahmin edilip edilemeyeceği ve bu tahminlere dayalı işlemlerin kârlı olup olamayacağıdır. Bu amaç doğrultusunda, finansal zaman serisi verileri çeşitli teknik analiz göstergeleri aracılığıyla görüntü temsillerine dönüştürülmüş, bu görüntüler ön-eğitimli evrişimsel sinir ağı (CNN) modelleri ile transfer öğrenme yaklaşımı kullanılarak sınıflandırılmıştır. Öğrenme algoritmalarının performansını artırmak amacıyla, CNN tahmin çıktılarının göreceli güç endeksi (RSI) göstergesi ile desteklenmesi yoluyla heuristik bir karar mekanizması önerilmiş, bunun yanı sıra derin öğrenme modellerinin stokastik yapısından kaynaklanan varyansın finansal etkilerini dengelemek amacıyla topluluk öğrenme yaklaşımı geliştirilmiştir. Elde edilen deneysel sonuçlar, önerilen modellerin altın, gümüş, borsa endeksleri ve hisse senedi gibi çeşitli finansal enstrümanlarda geleneksel alım-satım stratejilerine kıyasla daha yüksek kârlılık sağladığını ortaya koymuştur. Model sınıflandırma başarımları sınıra yakın değerlerde seyretmesine rağmen, yapılan kârlılık analizlerinde anlamlı ve istikrarlı bir performans üstünlüğü elde edilmiştir. Bu bulgu, literatürdeki yaygın kabulün aksine, sınıflandırma doğruluğundaki artışların her zaman kârlılık sağlamadığını; bu nedenle kârlılık analizlerinin algoritmik ticaret modellerinde mutlaka değerlendirilmesi gerektiğini göstermektedir. Bu tez çalışması, finansal tahminleme ve algoritmik ticaret alanında derin öğrenmenin potansiyelini ortaya koyarken; transfer öğrenmenin farklı bir alana uygulanması, RSI tabanlı karar mekanizmasının entegrasyonu ve topluluk öğrenme modeli ile yeniden üretilebilir ve istikrarlı finansal sonuçların elde edilmesi gibi özgün yöntemsel katkılar sunmaktadır.
This doctoral dissertation aims to determine the optimal timing for trading financial assets through financial time series forecasting. Within the context of automating trading decisions, which constitute the core component of algorithmic trading, the research proposes a deep learning–based framework. The central problem of the study is whether graphical representations of technical indicators derived from historical financial time series data can be processed using image classification approaches to predict future price movements, and whether trades executed based on these predictions can be profitable. For this purpose, financial time series data were transformed into image representations using various technical indicators, and these images were classified through pre-trained Convolutional Neural Network (CNN) models by means of transfer learning. To enhance the performance of the learning algorithms, a heuristic decision mechanism was proposed by integrating CNN prediction outputs with the Relative Strength Index (RSI) indicator. In addition, an ensemble learning approach was developed to balance the financial impacts of the variance stemming from the stochastic nature of deep learning models. The experimental results revealed that the proposed models achieved higher profitability compared to conventional trading strategies across various financial instruments, including gold, silver, stock indices, and equities. Although the classification accuracies of the models hovered around marginal values, the profitability analyses demonstrated a significant and consistent superiority in financial performance. This finding indicates, contrary to common assumptions in the literature, that improvements in classification accuracy do not always translate into profitability; hence, profitability analyses must be considered an essential component of algorithmic trading model evaluation. This dissertation highlights the potential of deep learning in financial forecasting and algorithmic trading, while offering original methodological contributions such as the application of transfer learning to a novel domain, the integration of an RSI-based decision mechanism, and the development of an ensemble learning model that enables reproducible and stable financial outcomes.
This doctoral dissertation aims to determine the optimal timing for trading financial assets through financial time series forecasting. Within the context of automating trading decisions, which constitute the core component of algorithmic trading, the research proposes a deep learning–based framework. The central problem of the study is whether graphical representations of technical indicators derived from historical financial time series data can be processed using image classification approaches to predict future price movements, and whether trades executed based on these predictions can be profitable. For this purpose, financial time series data were transformed into image representations using various technical indicators, and these images were classified through pre-trained Convolutional Neural Network (CNN) models by means of transfer learning. To enhance the performance of the learning algorithms, a heuristic decision mechanism was proposed by integrating CNN prediction outputs with the Relative Strength Index (RSI) indicator. In addition, an ensemble learning approach was developed to balance the financial impacts of the variance stemming from the stochastic nature of deep learning models. The experimental results revealed that the proposed models achieved higher profitability compared to conventional trading strategies across various financial instruments, including gold, silver, stock indices, and equities. Although the classification accuracies of the models hovered around marginal values, the profitability analyses demonstrated a significant and consistent superiority in financial performance. This finding indicates, contrary to common assumptions in the literature, that improvements in classification accuracy do not always translate into profitability; hence, profitability analyses must be considered an essential component of algorithmic trading model evaluation. This dissertation highlights the potential of deep learning in financial forecasting and algorithmic trading, while offering original methodological contributions such as the application of transfer learning to a novel domain, the integration of an RSI-based decision mechanism, and the development of an ensemble learning model that enables reproducible and stable financial outcomes.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
