TOPLULUK ÖĞRENME YÖNTEMLERİ KULLANILARAK FİNANSAL VARLIKLAR İÇİN ALGORİTMİK İŞLEM STRATEJİLERİNİN GELİŞTİRİLMESİ

Abstract

Zaman serileri olarak ele alınan finansal varlıklar yapısı gereği kaotiktir. Kaotik olan bu seri üzerinde geleceğe yönelik tahminlerde bulunarak doğru zamanda, doğru yönde pozisyon almak yatırımcıların temel hedefidir. Bu zaman serileri belirli bir periyottaki açılış, kapanış, en düşük ve en yüksek fiyatından oluşmaktadır. Hareketli ortalamalar veya teknik göstergeleri kullanarak eğilim (trend) yönü ve gücü hakkında tahminler yapmak için kullanılan istatistiksel yaklaşımlar gürültü ve gecikme problemlerine sahip olabilmektedirler. Mum grafikler bahsi edilen açılış, kapanış, en düşük ve en yüksek fiyatları tek bir görselde konsolide ederek, fiyat hareketlerinin yorumlanmasını kolaylaştırmalarının yanı sıra ayı ve boğa yatırımcılarının fiyat temelli psikolojilerini de yansıtırlar. Tarihte ilk defa Japon pirinç piyasalarına uygulandığı ve 100'den fazla mum formasyonu olduğu bilinmektedir. Tez çalışmasında mum grafik formasyonlarının tanımlanması ve finansal varlıklar için farklı makine öğrenmesi yaklaşımlarının topluluk öğrenmesi ile entegre edilmesi ve bunlara dayalı akıllı öğrenme algoritmalarının geliştirilmesi için fabrika deseni ve nesne tabanlı yaklaşım kullanan genişleyebilir mimaride bir yazılım çatısı önerilmiştir. Bu kapsamda entegre edilen yaklaşımlardan birisi seçilen teknik göstergelerin öznitelik olarak finansal tahminde kullanılmasıdır. Son olarak yatırımcıların kullandığı stratejiler kural tabanlı olarak kodlanarak üç ana yaklaşım geliştirilmiştir. Bu üç ana yaklaşım topluluk öğrenme yaklaşımlarında kullanılan oylama prensibi ile birleştirilerek sonuçlar karşılaştırılmıştır. Tez çalışmasında Dow30 endeksine ait hisse senetleri üzerinde finansal varlık için test edildiğinde, önerilen topluluk öğrenme yaklaşımı ile Al ve Tut stratejisinden ve geleneksel makine öğrenmesi yaklaşımlarından daha iyi sonuçlar elde edilebilmiştir. Bu sonuçlar kümülatif portföy kazancı, maksimum geri çekilme, karlı işlem yüzdesi gibi metrikler için detaylı olarak verilerek tüm sonuçlar karşılaştırılmıştır.

Financial assets, which are considered time series, are chaotic in nature. It is the main goal of investors to take a position at the right time and in the right direction by making future predictions on this chaotic series. These time series consist of the opening, closing, lowest and highest price in a certain period. Statistical approaches used to make predictions about trend direction and strength using moving averages or technical indicators can have noise and lag problems. Candlestick charts consolidate the mentioned opening, closing, lowest and highest prices in a single image, making it easier to interpret price movements, as well as reflecting the price-based psychology of bear and bull investors. It is known that it was applied to the Japanese rice markets for the first time in history and there are more than 100 candle formations. In the thesis study, an extensible architecture software framework using factory pattern and object-oriented approach is proposed for defining candlestick formations and integrating different machine learning approaches for financial assets with ensemble learning and developing smart learning algorithms based on them. One of the integrated approaches in this context is to use selected technical indicators as attributes in financial forecasting. Finally, three main approaches have been developed by coding the strategies used by investors on a rule-based basis. These three main approaches were combined with the voting principle used in community learning approaches, and the results were compared. In the thesis study, when tested for financial assets on stocks of the Dow30 index, better results were obtained with the proposed ensemble learning approach than the Buy and Hold strategy and traditional machine learning approaches. These results are given in detail for metrics such as cumulative portfolio gain, maximum withdrawal, and percentage of profitable trades, and all results are compared.