| Popis: |
ÖZET Bu doktora tezi yapay sinir ağları modellerinin finans alanında kullanılabirliğini incelemektedir. Farklı sinir ağları modelleri arasında çok-katmanlı perceptron modelleri üzerinde ayrıntılı olarak durulmuştur. Sinir ağları modellerinin finansal tahmin yapmadaki etkinliğinin ölçülebilmesi amacığla 3 adet çok-katmanlı perceptron modeli oluşturulmuş ve bu modeller IMKB-100 endeksinin günlük ve seanslık getirilerinin tahmin edilmesinde kullanılmıştır. Bu modeller 14 ve 10 bağımsız değişken kullanılarak geliştirilmiştir. Modellerin tahmin gücü hata kareleri ortalaması, normalleştirilmiş hata kareleri ortalaması, ortalama mutlak hata, korelasyon, trend doğruluğu ve yönsel doğruluk kriterlerine göre belirlenmiştir. Ayrıca, oluşturulan modellerin tahminleri üzerinden getiri hesaplamaları yapılarak modellerin karlılıkları incelenmiştir. Yapay sinir ağları modelleri ile IMKB-100 endeksinin tahmininde umut vaad eden sonuçlar elde edilmiştir. Fakat, bu modellerin performanslarının daha ileri düzeye ulaştırılabilmesi için farklı verilerle ve farklı modellerle ayrıca çalışma yapmak gereklidir. ABSTRACT This thesis is dealing with the uses of the artificial neural network models in financial applications. Among the variety neural network models, a special emphasis is placed on one type of model, which is the multilayer perceptron. In order to assess the effectiveness of the neural network models in financial forecasting 3 multilayer perceptron models are constructed and these models are used to forecast daily and sessional returns of the ISE-100 index. The models are implemented with 14 and 10 input data. The predictive abilities of the models are then evaluated by the use of mean square error, normalised mean square error, mean absolute error, correlation, directional and trend accuracy measures. Moreover, profitability of the model forecasts is evaluated by the use of return measures. The neural network models present promising results in forecasting the ISE-100 index. However, further considerations should be placed in terms of different network architectures and input data in order to increase the performance of neural network models. |
