Makine öğrenmesi yöntemleri ile hisse senedi fiyat tahmini: Kâğıt firması örneği

Basit Öğe Kaydı
dc.authorid0000-0001-9724-4762en_US
dc.authorid0000-0003-3643-1390en_US
dc.authorid0000-0003-4574-1286en_US
dc.contributor.authorBardak, Selahattin
dc.contributor.authorErsen, Nadir
dc.contributor.authorPolat, Kinyas
dc.contributor.authorAkyüz, Kadri Cemil
dc.date.accessioned2024-12-26T06:38:19Z
dc.date.available2024-12-26T06:38:19Z
dc.date.issued2024
dc.departmentAÇÜ, Artvin Meslek Yüksekokulu, Ormancılık ve Orman Ürünleri Bölümüen_US
dc.description.abstractBir finansal formül kullanarak hisse senedi fiyatlarını tahmin etmek zordur. Hisse senetleri fiyatları, siyasi gelişmeler, küresel ekonomi, beklenmedik olaylar, piyasa anormallikleri ve ilgili şirketlerin özellikleri gibi çok sayıda faktörden etkilenir. Hisse senedi fiyatlarına ilişkin daha doğru tahminler yapmak için bilgisayar biliminin gelişmesiyle birlikte birçok bilgisayar bilimi yöntemi kullanılmaktadır. Bu çalışmada, Kartonsan şirketinin hisse senedi fiyatını tahmin etmek için doğrusal regresyon (LR) algoritmaları, rastgele orman (RF), gradyan güçlendirme makinesi (GBM) ve yapay sinir ağları (YSA) gibi makine öğrenmesi teknikleri kullanılmıştır. Daha sonra kullanılan algoritmaların sonuçları karşılaştırılmıştır. Hisse senedi fiyatı tahmini için ilk olarak BIST (Borsa İstanbul)’te işlem gören Kartonsan firmasının 2011-2022 yılları arasındaki üçer aylık finansal çizelgeler kullanılarak firmaya ait finansal oran hesaplanmıştır ve bu oranlar girdi olarak kullanılmıştır. Çıktı olarak kullanılan firmanın hisse senedi fiyatlarının ise üçer aylık ortalamaları alınmıştır. GBM ve RF algoritmaları başarılı tahmin sonuçlarına sahip olmasına rağmen GBM algoritması en başarılı sonucu vermiştir. RF algoritmasının ise LR ve YSA’ya göre daha iyi performans gösterdiği bulunmuştur. YSA’nın hisse senedi fiyat tahmininde en kötü performansa sahip teknik olduğu belirlenmiştir.
dc.description.abstractIt is difficult to predict stock prices using a financial formula. Stock prices are affected by numerous factors, including political developments, the global economy, unexpected events, market anomalies and the characteristics of the companies involved. With the development of computer science, many computer science methods are being used to make more accurate predictions of stock prices. In this study, machine learning techniques such as linear regression (LR) algorithms, random forest (RF), gradient boosting machine (GBM) and artificial neural Networks (ANN) were used to predict the stock price of Kartonsan company. Then, the results of the algorithms used were compared. For stock price prediction, firstly, the company's financial ratio was calculated using the quarterly financial statements of Kartonsan company, which is traded on BIST (Borsa Istanbul), between 2011 and 2022, and these ratios were used as input. Quarterly averages of the company's stock prices used as output were taken. Although GBM and RF algorithms have successful prediction results, the GBM algorithm gave the most successful results. It has been found that the RF algorithm performs better than LR and ANN. ANN has been identified as the technique with the worst performance in stock price prediction.
dc.identifier.doi10.17474/artvinofd.1500569
dc.identifier.endpage58en_US
dc.identifier.issue2en_US
dc.identifier.startpage47en_US
dc.identifier.urihttp://dx.doi.org/10.17474/artvinofd.1500569
dc.identifier.urihttps://hdl.handle.net/11494/5263
dc.identifier.volume25en_US
dc.indekslendigikaynakTR-Dizin
dc.language.isotren_US
dc.publisherArtvin Çoruh Üniversitesien_US
dc.relation.ispartofArtvin Çoruh Üniversitesi Orman Fakültesi Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectHisse Senedi Fiyatıen_US
dc.subjectGradyan Güçlendirmeen_US
dc.subjectRastgele Ormanen_US
dc.subjectDoğrusal Regresyonen_US
dc.subjectYapay Sinir Ağlarıen_US
dc.subjectTahminen_US
dc.subjectStock Priceen_US
dc.subjectGradient Boostingen_US
dc.subjectRandom Foresten_US
dc.subjectLinear Regressionen_US
dc.subjectArtificial Neural Networken_US
dc.subjectPredictionen_US
dc.titleMakine öğrenmesi yöntemleri ile hisse senedi fiyat tahmini: Kâğıt firması örneğien_US
dc.title.alternativeStock price prediction with machine learning methods: The case of paper companyen_US
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
selahattin.bardak-nadir.ersen-kinyas.polat-kadricemil.akyuz.pdf
Boyut:
1.09 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tam Metin / Full Text
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
[ X ]
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Artvin MYO Koleksiyonu Yayın Koleksiyonu