LSTM Modelleriyle Hisse Senedi Tahmininde %88 Doğruluk Elde Etmek

StockSageAI'yi inşa etmeye başladığımda, amacım doğru hisse senedi ve kripto para tahminleri sağlayabilecek bir mobil uygulama oluşturmaktı. Aylarca süren araştırma, deney ve optimizasyonun ardından, hibrit bir LSTM-GRU mimarisi kullanarak %88'lik bir doğruluk oranına ulaştım.

Problemi Anlamak

Hisse senedi fiyat tahmini, piyasaların sayısız faktörden etkilenmesi nedeniyle oldukça zordur: ekonomik göstergeler, şirket performansı, jeopolitik olaylar ve hatta sosyal medya duyarlılığı. Buradaki zorluk, geçmiş kalıplardan öğrenebilen ve yeni piyasa koşullarına uyum sağlayabilen bir model oluşturmaktı.

Hibrit Mimari

Neden Hem LSTM Hem de GRU?

• LSTM (Uzun Kısa Süreli Bellek): Zaman serisi verilerindeki uzun vadeli bağımlılıkları yakalamada mükemmeldir. Geçitleme mekanizması, modelin uzun süreler boyunca ilgili bilgileri hatırlamasına yardımcı olur.

• GRU (Kapılı Tekrarlayan Birim): Sıralı verileri etkili bir şekilde işlerken LSTM'den daha hesaplama açısından verimlidir. Daha hızlı eğitim süreleri, onu mobil uygulamalar için ideal kılar.

Her iki mimariyi birleştirerek, her iki dünyanın en iyisini elde ederiz: doğruluk ve verimlilik.

Veri Ön İşleme Hattı

Veri kalitesi, model performansı için çok önemlidir. Ön işleme hattımız şunları içerir:

1. Veri Temizleme: Eksik değerleri ele alma, aykırı değerleri kaldırma
2. Özellik Mühendisliği: Teknik göstergeler oluşturma (RSI, MACD, Bollinger Bantları)
3. Normalizasyon: Sinir ağı girdisi için Min-max ölçeklendirme
4. Sıra Oluşturma: LSTM girdisi için zaman pencereleri hazırlama

Model Eğitim Stratejisi

Hiperparametre Optimizasyonu

Doğru hiperparametreleri bulmak önemli deneyler gerektirdi:

• Öğrenme oranı: 0.001 (azalma ile)
• Parti boyutu: 32
• Sıra uzunluğu: 60 gün
• Dropout: Düzenlileştirme için 0.2

Doğrulama Yaklaşımı

Gerçek ticaret koşullarını simüle etmek için ileriye dönük doğrulama (walk-forward validation) kullandık. Bu, doğruluk metriklerimizin gerçek performansı yansıtmasını sağlar.

Sonuç Analizi

%88'lik doğruluk, yönsel doğruluk kullanılarak ölçüldü - fiyatın yukarı mı yoksa aşağı mı gideceğini tahmin etme. Ek metrikler şunları gösterdi:

• Ortalama Mutlak Hata: %2.3
• Sharpe Oranı: 1.8
• Kazanma Oranı: %88

Mobil Uygulama

Modeli mobil cihazlara dağıtmak optimizasyon gerektirdi:

• Boyutu azaltmak için model niceleme
• TensorFlow Lite kullanarak verimli çıkarım
• Gerçek zamanlı güncellemeler için arka plan veri çekme

Öğrenilen Dersler

1. Özellik seçimi, model karmaşıklığından daha önemlidir
2. Piyasa koşulları değiştikçe düzenli yeniden eğitim esastır
3. Her zaman uygun eğitim/doğrulama/test bölümlerini kullanın
4. Üretimde model performansını izleyin

Gelecekteki İyileştirmeler

• Haber ve sosyal medyadan duygu analizini dahil etme
• Daha fazla varlık sınıfı ekleme
• Pozisyon büyüklüğü için takviyeli öğrenme uygulama

StockSageAI'yi inşa etmek bana, doğru mimari ve dikkatli veri işleme ile makine öğrenmesinin finansal karar verme için değerli içgörüler sağlayabileceğini öğretti.