Yapay Sinir Ağları – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri
Finansal Ticarette Yapay Sinir Ağları
Yumuşak bilgi işlem, fiziksel bilimlerden uyarlanmış bu bilgi işlem alanını temsil eder. Bu alandaki yapay zeka (AI) teknikleri, fiziksel yasaları ve süreçleri uygulayarak sorunları çözmeye çalışır.
Bu hesaplama tarzı, özellikle belirsizliğe ve belirsizliğe toleranslıdır, bu da yaklaşımı sinyal-gürültü oranının düşük olduğu “gürültülü” alanlarda araştırma yapanlar için çekici hale getirir. Yumuşak hesaplama normalde bulanık mantık, yapay sinir ağları ve olasılıksal akıl yürütmenin (genetik algoritmaları, kaos teorisini vb. içerir) üç temel alanını içerdiği kabul edilir.
Yatırım ticareti arenası, bol miktarda gürültülü verinin bulunduğu böyle bir alandır. Geleneksel bilgi işlem tarafından uygulanan katı koşullar karşılanamadığından, geleneksel bilgi işlemin tipik olarak yerini yumuşak bilgi işlemine bıraktığı alan bu alandır. Bu, özellikle aynı girdi koşulları setinin farklı sonuçları çağrıştırdığı veya çok sayıda eksik veya düşük kaliteli veri olduğu durumlarda belirgindir.
Yapay sinir ağları (YSA), doğrusal olmayan ilişkileri belirleme yeteneğine sahip oldukları ve özellikle gürültülü veri kümeleriyle uğraşma konusunda usta oldukları için, yumuşak bilgi işlem ağacında özellikle umut verici bir daldır.
Yatırım açısından bakıldığında, YSA’lar iki farklı nedenden dolayı daha yüksek yatırım getirileri elde etme imkanı sundukları için özellikle çekicidir. İlk olarak, daha ucuz hesaplama gücünün ortaya çıkmasıyla birlikte, birçok matematiksel teknik yaygın olarak kullanılmaya başlandı ve ortaya koydukları avantajları etkin bir şekilde en aza indirdi.
İkincisi, ilk sorunu ele almaya çalışmak için birçok teknik daha karmaşık hale geldi. Bu tür tekniklerle ilişkili sinyal-gürültü oranının, özellikle örüntü tanıma alanında, daha düşük hale gelmesi konusunda gerçek bir risk vardır.
Yatırım ve finansal ticaret normalde iki ana disipline ayrılır: temel analiz ve teknik analiz. YSA’ların bu iki disipline uygulanmasıyla ilgili makaleler gözden geçirilmiştir.
Literatürde YSA tekniklerinin yatırım ve ticarete uygulanmasıyla ilgilenen bir dizi yaklaşım vardır. Bu farklı yaklaşımların resmi bir segmentasyonu yok gibi görünse de, bu inceleme literatürü Tan (2001) tarafından önerilen konulara göre sınıflandırmakta ve bu sınıflandırmaları bir kategori daha, yani hibrit ile zenginleştirmektedir.
Bu YSA kategorileri şu şekildedir:
• Zaman serisi—Geçmiş veri kümelerini kullanarak gelecekteki veri noktalarını tahmin edin. Bu alanda gözden geçirilen araştırmalar genellikle bazı zaman serilerinin gelecekteki değerlerini tahmin etmeye çalışır. Olası zaman serileri, temel zaman serisi verilerini (örneğin, kapanış fiyatları) veya temel verilerden (örneğin, teknik analizde sıklıkla kullanılan göstergeler) türetilen zaman serilerini içerir.
• Örüntü tanıma ve sınıflandırma—Bunlar, genellikle verilerdeki desenleri öğrenerek gözlemleri kategorilere ayırma girişimleridir. Bu alanda gözden geçirilen araştırmalar, kalıpların saptanmasını ve temel verilerin “kazanan” ve “kaybeden” kategorilerine ayrılmasını ve ayrıca finansal sıkıntı ve iflas tahminini içeriyordu.
• Optimizasyon—Bu, verilerdeki kalıpların bilinmediği, genellikle polinom olmayan (NP)-tam problemlerin çözülmesini içerir. Bu alanda gözden geçirilen araştırma, parametrelerin optimal seçimini ve işlemlerin girileceği optimal noktanın belirlenmesini kapsıyordu.
• Hibrit—Bu kategori, yukarıdaki tarzların birden fazlasını birleştirerek sinerji etkisinden yararlanmaya çalışan araştırmaları ayırt etmek için kullanıldı.
Yapay sinir Ağları pdf
yapay sinir ağları – ercan öztemel
Yapay sinir ağları algoritmaları
Yapay sinir ağı örnekleri
Yapay sinir Ağları makine öğrenmesi
Yapay sinir ağları bias nedir
Yapay sinir Ağları örnek Sorular
Yapay sinir ağları sınıflandırma
Bütünün ayrı ayrı parçaların toplamından daha büyük olarak görüldüğü sinerji etkisinin yararı konusunda geniş bir kabul var gibi görünüyor. Bu, Hibrit tekniklerinin incelenen araştırmaların yaklaşık üçte birini oluşturduğunu açıkça gösteren aşağıdaki araştırma incelenerek kolayca görülebilir.
Ayrıca, bu araştırma tarzındaki teknik analiz tekniklerine yönelik önyargı, araştırmaların üçte biri örüntü tanıma ve sınıflandırma alanını takip ettiği araştırmadan da açıkça görülmektedir. Teknik analizin büyük bir odak noktası, verilerdeki kalıpların tespiti ve bu kalıplar ortaya çıktığında piyasa katılımcılarının davranışlarının incelenmesi ile ilgili olduğundan, teknik analiz özellikle bu araştırma tarzına uygundur.
ANA İLETİŞİM
Bu bölüm, yukarıda açıklanan dört ana kategorinin her birinin özelliklerini kısaca ele almaktadır. Seçilen makaleler, mevcut araştırma yönlerini temsil ettikleri, bu araştırma tarzı için önemli bir yön değişikliğini temsil ettikleri veya yeni bir yaklaşımı temsil ettikleri için seçilmiştir.
Zaman Serisi Tahmini Araştırması
Zaman serisi tahminleri alanı normalde bir zaman serisinin gelecekteki değerlerini iki ana yoldan biriyle tahmin etmeye çalışmak üzerine odaklanır:
- Aynı serinin geçmiş değerlerinden bir serinin gelecekteki değerlerini tahmin etme
- Farklı serilerdeki verileri kullanarak bir serinin gelecekteki değerlerini tahmin etme
Tipik olarak, bu alandaki mevcut araştırmalar, getirileri veya getirilerle ilişkili olduğu düşünülen bazı değişkenleri (örneğin, kazançlar) tahmin etmeye odaklanır. Bazı araştırmacılar, bir serinin gelecekteki yönünü tahmin etmeye odaklanır (örneğin, bilinen son değerden artan, bilinen son değerden azalan, değişiklik yok). Bu nitelikteki araştırma, özünde bir sınıflandırma problemidir ve ilgili bölümde tartışılmaktadır.
Aşağıdaki makaleler, zaman serisi tahmininde mevcut araştırmayı temsil ettikleri için seçilmiş ve gözden geçirilmiştir.
İncelenen makaleler hem temel hem de teknik verileri dikkate alır. Örneğin, Falas ve ark. (1994), rapor edilen muhasebe değişkenlerine dayalı olarak gelecekteki kazançları tahmin etmeye çalışmak için YSA’ları kullandı. Logit modele kıyasla YSA kullanmanın önemli bir faydası olmadığını bulmuşlar ve seçilen muhasebe değişkenlerinin uygun kazanç tahmin edicileri olmadığı sonucuna varmışlardır.
Bu sonuç, YSA’larla çalışırken karşılaşılan en büyük sorunlardan birini, yani onların var olmayan açıklayıcı yeteneklerini temsil eder. YSA araştırmalarını gözden geçirirken bu tür sonuçlara ulaşmak yaygındır, korelasyonsuzluk genellikle yanlış seçilmiş girdi değişkenleri olarak rapor edilir.
Quah ve Srinivasan (2000), aşırı getirileri tahmin etmek için esas olarak muhasebe değişkenlerini kullandı (sınırlı bir başarı ile). Chan ve Foo (1995), hisse senedi fiyatlarının gelecekteki zaman serisi değerlerini tahmin etmek için YSA’ları kullandı ve bu “gelecekteki” değerleri çeşitli teknik göstergeleri hesaplamak için kullandı.
Üretilen YSA özellikle umut verici sonuçlar verdi. Yazarlar, ağların tahmin etme yeteneğinin, tüccarın düzenli teknik göstergeler tarafından sinyal verilmeden bir veya iki gün önce bir ticarete girmesine izin verdiği sonucuna varmıştır ve bu, ağın önemli ölçüde artan kâr potansiyelini açıklamaktadır.
Birçok yönden, bu iki temel tahmin metodolojisi, teknik analiz stratejileri ile ilgilidir. Örneğin, bir dizi hisse senedi fiyatı üzerinde hareketli bir ortalamanın kullanılması (ve projeksiyonu), aynı serinin geçmiş değerlerinden bir serinin gelecekteki değerlerini (hareketli ortalama) tahmin etmek olarak kabul edilebilir.
Teknik analizdeki göstergeler genellikle fiyat, hacim, açık-faiz vb. gibi bir dizi kurucu veri öğesinden oluşur. Bu göstergeler genellikle fiyatın gelecekteki yönüne ilişkin göstergeler vermek için kullanılır.
Yapay sinir ağı örnekleri yapay sinir ağları - ercan öztemel Yapay sinir ağları algoritmaları Yapay sinir ağları bias nedir Yapay sinir ağları makine öğrenmesi Yapay sinir ağları örnek sorular Yapay sinir Ağları pdf Yapay sinir ağları sınıflandırma