Çok modlu hisse senedi fiyat tahmini / Furkan Karadaş ; thesis advisor Ahmet Murat Özbayoğlu.

Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Nisan 2025.

Finansal piyasaların birçok statik ve dinamik faktörden yoğun bir şekilde etkilendiği bir çağda, doğru hisse senedi fiyat tahmini yapmak için çeşitli veri kaynaklarını makine öğrenimi ile dikkatlice entegre etmek giderek daha kritik hale gelmiştir. Bu tez, geleneksel finansal metrikler, sosyal medya verileri ve haber makaleleri gibi çeşitli kaynaklardan elde edilen verileri birleştirerek hisse senedi fiyat tahmini için çok modlu makine öğrenimi yaklaşımlarını incelemektedir. ChatGPT-4o ve FinBERT modelleri kullanılarak yapılan duyarlılık analiziyle metinsel veriler üzerinden gerçek zamanlı piyasa dinamikleri ve yatırımcı duyguları yakalanmaktadır. Bu bütünleşmiş veri akışlarının, Uzun-Kısa Süreli Bellek (LSTM), Genişletilmiş Uzun-Kısa Süreli Bellek (xLSTM), Mamba ve Topluluk Öğrenimi yöntemi ile oluşturulan modeller kullanılarak performans farklarının gösterilmesi hedeflenmiştir. Ayrıca, bu yöntemlerin bireysel ve birleşik tahmin kapasitelerine ilişkin analizler sunarak, sosyal medya mesajları ve haber makalelerinin duygu analizine dahil edilmesinin önemli etkisi vurgulanmaktadır. Bu araştırma, finansal zaman serisi tahmininde çok modlu veri analitik tekniklerini uygulamak için sistematik ve etkili bir çerçeve sunarak yatırımcılara karar verme sürecinde hangi verileri kullanmaları gerektiği konusunda yeni bir perspektif sağlamaktadır.

In an era where financial markets are heavily influenced by numerous static and dynamic factors, carefully integrating various data sources with machine learning has become increasingly critical for accurate stock price prediction. This thesis examines multimodal machine learning approaches for stock price prediction by combining data from diverse sources, including traditional financial metrics, tweets, and news articles. Using sentiment analysis conducted with the ChatGPT-4o and FinBERT models, we capture real-time market dynamics and investor sentiments from textual data. The goal is to demonstrate the performance differences achieved through the integration of these data streams, using standard Long Short-Term Memory (LSTM), Extended Long Short-Term Memory (xLSTM), Mamba and Ensemble Learning models. Additionally, we provide insights into the individual and combined predictive capacities of these methods, highlighting the significant impact of including sentiment analysis from tweets and news articles. This research offers a systematic and effective framework for applying multimodal data analytics techniques in financial time series forecasting, providing investors with a new perspective to utilize data for decision-making.