000			04378nam a2200505 i 4500
001			200464385
003			TR-AnTOB
005			20250508145707.0
007			ta
008			171111s2025 tu ab e mmmm 000 0 tur d
035			_a(TR-AnTOB)200464385
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BİL YL’25 KAR
100	1		_aKaradaş, Furkan _eauthor _9148741
245	1	0	_aÇok modlu hisse senedi fiyat tahmini / _cFurkan Karadaş ; thesis advisor Ahmet Murat Özbayoğlu.
246	1	1	_aMultimodal stock price prediction
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2025.
300			_axxi, 85 pages : _billustrations ; _c29 cm
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Nisan 2025.
520			_aFinansal 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.
520			_aIn 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.
650		7	_aTezler, Akademik _2etuturkob _932546
653			_aFinansal tahmin
653			_aZaman serisi tahmini
653			_aBorsa tahmini
653			_aDerin öğrenme
653			_aDerin sinir ağları
653			_aÇok modelli makine öğrenimi
653			_aBüyük dil modelleri
653			_aFinancial forecasting
653			_aTime series forecasting
653			_aStock market prediction
653			_aDeep learning
653			_aDeep neural networks
653			_aMultimodal machine learning
653			_aLarge language models
700	1		_aÖzbayoğlu, A. Murat _eadvisor _9125250
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z
999			_c200464385 _d82597