Gümüşhane ÜniversitesiGümüşhane ÜniversitesiAçık Erişim Arşivi · RDL Open

Sürdürülebilir Kalkınma Amaçları

Yazarlar

Yayınlar

Yeniden eskiyeEskiden yeniye
  • MakaleAçık Erişim2021
    Predicting stock prices using machine learning methods and deep learning algorithms: The sample of the istanbul stock exchange

    Demirel, Ugur; Cam, Handan; Unlu, Ramazan

    Stock market prediction in financial and commodity markets is a major challenge for speculators, investors, and companies but also profitable with an accurate prediction. Thus, obtaining accurate prediction results becomes extremely important especially while the stock market is essentially volatile, nonlinear, complicated, adaptive, nonparametric and unpredictable in nature. This study aims to forecast the opening and closing stock prices of 42 firms listed in Istanbul Stock Exchange National 100 Index (ISE-100) using well-known machine learning methods, Multilayer Perceptrons (MLP) and Support Vector Machines (SVM) models and deep learning algorithm, Long Short Term Memory (LSTM) by comparing their forecasting performances. The analysis includes 9 years of data from 01.01.2010 to 01.01.2019. For each firm 2249 data for the opening and 2249 for the closing stock prices were established as daily data sets. Forecasting performance of these methods was evaluated by applying different criteria for each model: root mean squared error (RMSE), mean squared error (MSE) and R-squared (R2). The results of this study show that MLP and LSTM models become advantageous in estimating the opening and closing stock prices comparing to SVM model.

    İncele
  • MakaleAçık Erişim2020
    Machine learning and classical forecasting methods based decision support systems for covid-19

    Ünlü, Ramazan; Namli, Ersin

    From late 2019 to the present day, the coronavirus outbreak tragically affected the whole world and killed tens of thousands of people. Many countries have taken very stringent measures to alleviate the effects of the coronavirus disease 2019 (COVID-19) and are still being implemented. In this study, various machine learning techniques are implemented to predict possible confirmed cases and mortality numbers for the future. According to these models, we have tried to shed light on the future in terms of possible measures to be taken or updating the current measures. Support Vector Machines (SVM), Holt-Winters, Prophet, and Long-Short Term Memory (LSTM) forecasting models are applied to the novel COVID-19 dataset. According to the results, the Prophet model gives the lowest Root Mean Squared Error (RMSE) score compared to the other three models. Besides, according to this model, a projection for the future COVID-19 predictions of Turkey has been drawn and aimed to shape the current measures against the coronavirus.

    • SDG 3 · Sağlık ve Kaliteli Yaşam
    İncele
  • MakaleAçık Erişim2020
    Comparison of tree-based classification algorithms in mapping burned forest areas; [Primerjava drevesnih algoritmov razvrščanja pri zajemu območij pogorelih gozdov]

    Matci, Dilek Kucuk; Comert, Resul; Avdan, Ugur

    In this study, we compared the performance of tree-based classification algorithms – Random Forest (RF), Rotation Forest (RotF), J48, The Alternating Decision Tree (ADTree), Forest by Penalising Attributes (Forest PA), Logical Analysis of Data Algorithm (LADTree) and Functional Trees (FT) – for mapping burned forest areas within the Mediterranean region in Turkey. Object-based image analysis (OBIA) was performed to pan-sharpened the Landsat 8 images. Four different burned areas, namely Kumluca, Adrasan, Anamur, and Alanya, were used as study areas. Kumluca, Anamur, and Alanya regions were used as training areas, and Adrasan region was used as the test area. Obtained results were evaluated with confusion matrix and statistically significant analysis. According to the results, FT and RotF produced more accurate results than other algorithms. Also, the results obtained with these algorithms are statistically significant.

    • SDG 15 · Karasal Yaşam
    İncele
  • Doktora TeziAçık Erişim2019
    İşletmelerde finansal başarısızlığın makine öğrenme yöntemleri ve Altman Z-skoru ile tahmin edilmesi

    Şafak Sönmez Soydaş

    Bir ülkede faaliyette bulunan firmaların hem kendi varlıklarını devam ettirebilmeleri hem de ülke ekonomisine sağlayacakları faydalar son derece önemlidir. Dünya ekonomilerin küreselleşmesi ve bunu sonucunda dünyada oluşan ekonomik krizlerin devletlerin ekonomilerini ve faaliyette bulunan işletmeleri olumsuz olarak etkilemektedir. Tüm bu durumlar çerçevesinde halı hazırda faaliyette bulunan işletmelerin bu krizlerden etkilenmemesi veya daha az etkilenmesi için işletmelerin finansal olarak iyi yönetilmesi ve başarısızlıktan önce gerekli tedbirleri almaları zorunlu hale gelmiştir. Çalışmanın amacı, finansal başarısızlığın tahmin edilmesi için Borsa İstanbul'da faaliyette bulunan imalat sanayi sektöründeki 178 firmanın 2015-2019 yılları arasındaki mali verileri 24 finansal oran kullanılarak makine öğrenme yöntemleri ve Altman Z-Skoru yöntemini karşılaştırmalı analize tabi tutmak ve finansal başarısızlıktan 1, 2, 3, 4 ve 5 yıl öncesine kadar finansal başarısızlık tahmin modelleri oluşturmaktır. Yapılan karşılaştırmalı analiz sonucunda, Borsa İstanbul'da faaliyette bulunan firmaların Altman Z-Skoru başarısızlıktan 5 yıl öncesine kadar tahmin sonuçları oldukça düşük çıkmıştır. Makine öğrenme yöntemleri ise Altman Z-Skoruna göre çok iyi sonuçlar vermiştir. Makine öğrenme modelleri arasında ise Random Forest (rastgele orman) yöntemi başarısızlıktan 1, 2, 3, 4 ve 5 yıl öncesine kadar oldukça iyi sonuçlar vermiştir. Sırasıyla yapay sinir ağları, destek vektör makinaları ve karar ağaçları yine de Altman Z-Skoruna göre çok iyi tahmin sonuçları elde etmiştir.

    İncele
  • Yüksek Lisans TeziAçık Erişim2019
    Hisse senedi fiyatlarının makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları ile tahmini

    Uğur Demirel

    Türkiye gibi gelişmekte olan ekonomiler açısından menkul kıymetler piyasasının fiyat tahminlerinin yapılması oldukça önemlidir, ancak piyasalarda her türlü spekülatif hareketin yaşanması bu borsalarda iniş ve çıkışların çok yüksek olmasına neden olmaktadır. Bu durum yatırımcıların hisse senedi fiyat hareketlerini tahmin edebilmelerini güçleştirmekte ve dolayısıyla yatırımlarını doğru değerlendiremedikleri için kayıplar yaşamalarına sebep olmaktadır. Bu nedenle yatırımcılar gelecekteki hisse senedi fiyatlarını doğru tahmin edebilmek için çeşitli yöntem ve metotlar kullanma ihtiyacı hissetmektedirler. Son zamanlarda bu tahminlerin elde edilmesinde makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları diğer alanlarda olduğu gibi finans alanında da sıkça kullanılmaya başlanmıştır. Bu çalışmada, veri seti olarak Borsa İstanbul Ulusal-100 Endeksi (BIST 100)'de işlem gören firmaların hisse senetlerinin günlük 2. seans açılış ve kapanış fiyatlarına ilişkin Ocak 2010 ile Ocak 2019 tarihleri arasındaki veriler kullanılmıştır. Çalışmada makine öğrenmesi ve derin öğrenme ışığında bu hisse senetlerinin açılış ve kapanış fiyatlarının tahmin edilmesi amaçlanmaktadır. Bu kapsamda tahminleme modeli oluşturabilmek adına Çok Katmanlı Algılayıcılar (ÇKA) ve Destek Vektör Makineleri (DVM) gibi klasik makine öğrenimi yöntemleri ve Uzun Kısa Dönemli Hafıza (UKVH) yöntemi gibi derin öğrenme algoritmaları kullanılmaktadır. Çalışmanın sonucunda ÇKA ve UKVH ağlarının DVM'lerine göre daha tutarlı tahminler yaptığı tespit edilmiştir. Bu sonuç analizlerde gruplar arasında fark olup olmadığını gösteren çift kuyruklu t-testi analizi ile de desteklenmiştir.

    İncele