HİSSE DEĞERLEME YAKLAŞIMLARI İÇİN GENETİK ALGORİTMA TABANLI ÖZELLİK SEÇİMİ VE MAKİNE ÖĞRENMESİ YÖNTEMLERİNİN GELİŞTİRİLMESİ

Abstract

Bu tez, finansal varlıkların temel analiz verilerine dayalı değerleme yöntemleri ve bu varlıklar arasındaki ilişkilerin keşfi üzerine odaklanmaktadır. Çalışmanın birinci bölümünde, hisse senetlerinin geçmiş performansını değerlendirmek ve mevcut değerlerini öngörmek amacıyla çeşitli makine öğrenmesi algoritmaları uygulanmıştır. Özellikle, regresyon analizleri ve derin öğrenme modelleri kullanılarak hisse senetlerinin temel analiz verileri üzerinden değerleme süreçleri geliştirilmiştir. Bu modellerin doğruluğunu artırmak için veri ön işleme, özellik mühendisliği ve çapraz doğrulama teknikleri kullanılmıştır. İkinci bölümde ise, finansal varlıklar arasında mevcut olan gizli ilişkileri keşfetmek amacıyla birliktelik kuralı keşfi gerçekleştirilmiştir. Bu süreçte, genetik algoritmalar gibi evrimsel optimizasyon teknikleri kullanılarak, hisse senetleri ve diğer finansal varlıklar arasında yatırım stratejilerini etkileyebilecek potansiyel birliktelik kuralları ortaya çıkarılmıştır. Bu yöntemler, yatırım kararlarının daha bilinçli ve stratejik bir şekilde alınmasına olanak tanımaktadır. Tez, hem değerleme modellerinin doğruluğunu artırmayı hem de finansal varlıklar arasındaki ilişkilerin keşfi yoluyla yatırım stratejilerinin geliştirilmesini amaçlamaktadır. Sonuçlar, makine öğrenmesi ve birliktelik kuralı keşfi yöntemlerinin, finansal analiz süreçlerinde etkili araçlar olduğunu ve bu alandaki araştırmalara katkı sağladığını göstermektedir.

The thesis focuses on valuation methods based on the fundamental analysis data of financial assets and the discovery of relationships between these assets. In the first section of the study, various machine learning algorithms are applied to evaluate the past performance of stocks and predict their current values. Specifically, regression analyses and deep learning models are used to develop valuation processes for stocks based on fundamental analysis data. To enhance the accuracy of these models, data preprocessing, feature engineering, and cross-validation techniques are employed. In the second section, association rule mining is conducted to uncover hidden relationships among financial assets. During this process, evolutionary optimization techniques such as genetic algorithms are used to reveal potential association rules that could influence investment strategies between stocks and other financial assets. These methods enable investment decisions to be made in a more informed and strategic manner. The thesis aims to both improve the accuracy of valuation models and develop investment strategies through the discovery of relationships between financial assets. The results demonstrate that machine learning and association rule mining methods are effective tools in financial analysis processes and contribute to research in this field.