000			06538nam a2200469 i 4500
001			200464411
003			TR-AnTOB
005			20250513110046.0
007			ta
008			171111s2025 tu ab e mmmm 000 0 tur d
035			_a(TR-AnTOB)200464411
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BİL YL’25 AKG
100	1		_aAkgün, Halil İbrahim _eauthor _9148764
245	1	0	_aMamba ve topluluk öğrenmesi kullanarak hisse senedi hareket tahmini / _cHalil İbrahim Akgün ; thesis advisor Ahmet Murat Özbayoğlu.
246	1	1	_aStock movement prediction using mamba and ensemble learning
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2025.
300			_axvi, 63 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 Kasım 2025.
520			_aBorsa; ulusal politikalar, ekonomik koşullar ve küresel olaylar gibi birçok faktörden etkilenmektedir. Hisse senedi fiyat hareketlerinin doğru bir şekilde tahmin edilmesi, yatırımcılar ve ekonomistler için uzun süredir önemli bir zorluk teşkil etmektedir. Doğru tahminler, yatırım risklerini azaltırken aynı zamanda getiri potansiyelini artırmada kritik bir rol oynamaktadır. Ancak, finansal piyasalardaki dalgalı ve doğrusal olmayan yapılar, tahmin süreçlerini zorlaştırmaktadır. Son yıllarda, Mamba gibi durum uzay modelleri, sıralı verilerin modellenmesinde önemli başarılar elde etmiştir. Bu çalışmada, günlük hisse kapanış fiyatlarındaki yüzdelik değişimleri tahmin etmek için Mamba modeli kullanılmıştır. Tahmin problemi bir sınıflandırma görevi olarak ele alınarak, hisse senedi fiyatının ertesi gün artıp artmayacağını belirlemek hedeflenmiştir. Doğrulama veri kümesinde, modelin performansını artırmak için grid arama yöntemi kullanılarak parametre optimizasyonu gerçekleştirilmiş ve tahminler yapılmıştır. Bunun ardından, tahminlerin başarısını yükseltmek amacıyla, farklı hiperparametre kombinasyonlarına sahip modeller topluluk öğrenmesi yöntemi ile bir araya getirilmiştir. Böylece, tahmin doğruluğu tekli Mamba modeline kıyasla artırılmıştır. Araştırmada, Nasdaq borsasında işlem gören altı farklı şirketin günlük kapanış fiyat hareketleri tahmin edilmiştir. Elde edilen sonuçlar, tekli Mamba modelinin ertesi gün fiyat hareketinin yönünü tahmin etmede ortalama %58.9 F1 skoru elde ettiğini göstermektedir. Buna karşın, toplu Mamba modeli ortalama %60.5 F1 skoru ile dikkate değer bir başarı göstermiştir. Modellerimizin performansını temel model olan LSTM ile karşılaştırdığımızda, LSTM modelinin ortalama %52.5 F1 skoru elde ettiği tespit edilmiştir. Ayrıca, modellerin sınıflandırma performansının yanı sıra finansal değerlendirmesi de yapılmıştır. Elde edilen sonuçlara göre, toplu Mamba modeli, 120 test işlem günü boyunca 10.000 $ başlangıç sermayesi ile ortalama 4.150 $ kâr sağlamıştır. Temel karşılaştırma stratejimiz olan "Al-Tut" stratejisi ise 809 $ zarar etmiştir. Bu bulgular, yatırımcıların daha bilinçli kararlar almalarına önemli bir rehberlik sunmaktadır. Böylece, getirilerin optimize edilmesi ve risklerin en aza indirilmesi sağlanabilmektedir. Sonuç olarak, bu çalışma hisse senedi piyasasında tahmin doğruluğunu artıran etkili bir yöntem sunmakta ve yatırım kararlarının optimize edilmesine katkı sağlamaktadır.
520			_aThe stock market is influenced by various factors such as national policies, economic conditions, and global events. Accurately predicting stock price movements has long posed a significant challenge for investors and economists. Accurate predictions play a critical role in reducing investment risks while also enhancing return potential. However, the volatile and nonlinear structures of financial markets complicate the prediction processes. In recent years, state space models like Mamba have achieved significant success in modeling sequential data. This study utilizes the Mamba model to predict percentage changes in daily stock closing prices. The prediction problem is approached as a classification task, aiming to determine whether the stock price will increase or decrease the next day. In the validation dataset, hyper parameter optimization is performed using grid search to enhance the model's performance. Subsequently, to improve the success of the predictions, models with different combinations of hyperparameters are integrated using ensemble learning methods. Thus, the prediction accuracy is increased compared to the single Mamba model. The study, forecasts daily closing price movements for six different companies listed on the Nasdaq stock exchange. The results indicate that the single Mamba model achieves an average F1 score of 58.9%. In contrast, the ensemble Mamba model demonstrates a notable performance with an average F1 score of 60.5%. When comparing the performance of our models with a baseline model, the LSTM model is found to have an average F1 score of 52.5%. Moreover, the financial assessment alongside the classification performance of the models is conducted. According to the findings, the ensemble Mamba model generates an average profit of $4,150 with an initial capital of $10,000 over 120 test trading days. In comparison, our basic strategy, "Buy \& Hold," incurs a loss of $809. These findings provide significant guidance for investors to make more informed decisions. In this way, optimizing returns and minimizing risks can be achieved. In conclusion, this study presents an effective method to enhance prediction accuracy in the stock market and contributes to the optimization of investment decisions.
650		7	_aTezler, Akademik _2etuturkob _932546
653			_aHisse senedi hareket tahmini
653			_aDerin öğrenme
653			_aFinansal tahmin
653			_aDurum uzay modelleri
653			_aMamba
653			_aZaman serisi tahmini
653			_aStock movement prediction
653			_aDeep learning
653			_aFinancial prediction
653			_aState space models
653			_aTime series prediction
700	1		_aÖzbayoğlu, A. Murat _eadvisor _9125250
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z
999			_c200464411 _d82623