STL ayrıştırması ile bileşen bazlı hisse senedi fiyat tahmini: Meta öğrenme tabanlı topluluk modeli
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Borsadaki hisse senedi fiyatlarının piyasa gürültüsü, oynaklık, ekonomik göstergeler, jeopolitik olaylar ve yatırımcı duyarlılığı gibi dış etkenler nedeniyle tahmin edilmesi doğası gereği zorluk taşır. Mevcut literatürde, hisse senedi fiyatlarını modellemek için yalnızca tek değişkenli bir model kullanıldığında, bu modellerin fiyat hareketlerini tam olarak algılamakta zorlandığı gözlemlenmiştir. Bu nedenle, BIST30 endeksi üzerinde, özellikle THYAO hissesi odaklı günlük bir tahmin çerçevesi geliştirdik. Veriyi STL yöntemiyle bileşenlerine ayırdık ve her bir bileşeni, kendi özelliklerine uygun modelleme yaklaşımını seçerek ayrı ayrı tahmin ettik. Trend bileşeni, aşırı öğrenmeyi önlemek için düzenlileştirme uygulayabilme yeteneği sayesinde Ridge Regresyon ile modellenmiştir. Mevsimsel bileşen, uzun vadeli bağımlılıkları öğrenebilme becerisi sebebiyle TCN ile modellenmiştir. Artık bileşen, düzensiz ve oynak dalgalanmaları ifade eden bir bileşen olarak, XGBoost, GARCH ve ani sıçrama tespit tekniklerinin XGBoost meta modeline giriş olarak verildiği gelişmiş bir topluluk yöntemiyle modellenmiştir. Son olarak, bu üç bileşenin tahminleri Lineer Regresyon tabanlı bir meta öğrenme modeli ile birleştirilerek nihai tahmin üretilmiştir. Ampirik değerlendirmeler, hisse senedi fiyat tahmin doğruluğunda önemli iyileşmeler göstererek MAE: 1.5574 ve MAPE: %0.53 değerlendirme metrikleri elde edilmiştir. Çalışma, topluluk temelli meta öğrenme tekniklerinin ve bileşen bazlı tahminlerin, hisse senedi fiyat tahminlerinin doğruluğunu önemli ölçüde artırdığını ortaya koymuştur.
The stock market is highly arduous to predict due to its nature. As a result of market noise, volatility, and external influences such as economic indicators, geopolitical events, and investor sentiment, stock price prediction is inherently challenging. It's observed in the existing literature that when a single univariate model is used to model stock prices, the models have difficulty fully detecting price movements. For this reason, we developed a daily forecasting framework applied to the BIST30 index, focusing on the THYAO stock. We decomposed the data into components using STL and predicted each component individually by selecting an appropriate modeling approach based on its characteristics. The trend component is modeled by Ridge Regression thanks to its capability of applying regularization to prevent overfitting, and the seasonal component is modeled using TCN. The residual component which captures irregular and volatile fluctuations, is modeled using an ensemble approach This component is handled through a sophisticated ensemble method that combines XGBoost, GARCH, and spike detection techniques as input to XGBoost meta model. Finally, we combined their predictions into a meta-learning model based on Lineer Regression to generate the final forecast. Empirical evaluations demonstrate significant improvements on stock price prediction accuracy, with evaluation metrics of MAE: 1.5574 and MAPE: 0.53%. The study found that ensemble meta-learning techniques and decomposed component based predictions significantly increased the accuracy of stock price predictions.
The stock market is highly arduous to predict due to its nature. As a result of market noise, volatility, and external influences such as economic indicators, geopolitical events, and investor sentiment, stock price prediction is inherently challenging. It's observed in the existing literature that when a single univariate model is used to model stock prices, the models have difficulty fully detecting price movements. For this reason, we developed a daily forecasting framework applied to the BIST30 index, focusing on the THYAO stock. We decomposed the data into components using STL and predicted each component individually by selecting an appropriate modeling approach based on its characteristics. The trend component is modeled by Ridge Regression thanks to its capability of applying regularization to prevent overfitting, and the seasonal component is modeled using TCN. The residual component which captures irregular and volatile fluctuations, is modeled using an ensemble approach This component is handled through a sophisticated ensemble method that combines XGBoost, GARCH, and spike detection techniques as input to XGBoost meta model. Finally, we combined their predictions into a meta-learning model based on Lineer Regression to generate the final forecast. Empirical evaluations demonstrate significant improvements on stock price prediction accuracy, with evaluation metrics of MAE: 1.5574 and MAPE: 0.53%. The study found that ensemble meta-learning techniques and decomposed component based predictions significantly increased the accuracy of stock price predictions.
Açıklama
Anahtar Kelimeler
İşletme, Business Administration
