Arsan, TanerAlnahas, Dima2024-06-242024-06-242024https://hdl.handle.net/20.500.12469/5897Bu tezin amacı, yeni tahmin modellerinin eğitimi, doğulanması ve test edilmesindeki zorlukları azaltılmış zaman maliyeti ve karmaşıklıkla ele alan bir makine öğrenimi operasyon mimarisi sağlamaktır. Bu mimari, birleştirme teknikleri yoluyla finansal zaman serisi tahmini için çeşitli tahmin modellerini bir araya getirmeye yönelik bir araç sağlar. Önerilen metodoloji, değişen ve ani piyasa davranışları için güvenilir bir tahmin üretmek amacıyla çoklu tahmin sonuçlarının entegrasyonunu araştırmaktadır. Bu mimarinin işlevselliği, Hareketli Ortalama Yakınsama Iraksama, Gizli Markov Modeli, Uzun Kısa Süreli Bellek ve Transformer modelleri gibi teknik analiz ve derin öğrenme teknikleri uygulanarak araştırılmaktadır. Bu çalışma, bu modellerin performansını üç farklı varlık sınıfı için incelemektedir.The purpose of this thesis is to provide a machine learning operations architecture that addresses the challenges of training, validating, and testing new prediction models with reduced time cost and complexity. This architecture provides a tool to ensemble various prediction models for financial time series forecast through ensemble techniques. The proposed methodology investigates the integration of multiple prediction results to produce a reliable prediction for varying and sudden market behaviors. The functionality of this architecture is investigated by implementing technical analysis and deep learning techniques such as Moving Average Convergence Divergence, Hidden Markov Model, Long Short-Term Memory, and Transformer models. This study inspects the performance of these models for three different asset classes.enBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGetiri tahmin edilebilirliğiMakine öğrenmesiTahminlemeZaman serileri analiziComputer Engineering and Computer Science and ControlReturn predictabilityMachine learningForecastingTime series analysisMaster Thesis84