Finansal Zaman Serisi Tahmininde Açıklanabilir Yapay Zeka İle Makine Öğrenimi Tahmin Performansının Geliştirilmesi

Abstract

Son zamanlarda, makine öğrenimi tekniklerini kullanarak borsa fiyat yönünü başarılı bir şekilde tahmin etmede önemli miktarda çaba sarf edilmektedir. Makine öğrenmesi teknikleri ve modelleri, yapısı gereği literatürde kara kutu olarak adlandırılırlar, yani modelin yapmış olduğu tahmin ve çıkarımların nasıl yapıldığına dair çıkarsama yapılamaz. Bu duruma dair çözüm önerileri 'açıklanabilir yapay zeka' çatısı altında geliştirilmektedir. Bu çalışmada daha başarılı makine öğrenmesi teknikleri geliştirmek yerine mevcut modellerin tahminlerinin güvenilirliğini değerlendirmek için kullanılabilecek ve böylece karar vericinin genel tahmin performansının düşmesinden sorumlu olan kötü kararlardan kaçınmasına olanak tanıyan bir açıklanabilir yapay zeka yaklaşımı önerilmektedir. Çünkü tahmin modelinin herhangi bir tahminden ne kadar emin olduğunun bir ölçüsü olsaydı, nispeten daha yüksek güvenilirliğe sahip tahminler karar vermek için kullanılabilirken, daha düşük kaliteli kararlardan kaçınılabilmesine olanak sağlanabilir. Bu çalışmada, makine öğrenimi, açıklanabilir yapay zeka ve deneysel mod ayrışımına dayalı borsa yönü tahmini için yeni bir iki aşamalı tahmin modeli önerilmiştir. Çalışmanın bulgularına göre tahmin modelinin literatürdeki mevcut tahmin modellerinden daha başarılı sonuçlar ürettiği gösterilmektedir.Recently, significant efforts have been made to successfully predict the direction of stock prices using machine learning techniques. Machine learning techniques and models are inherently referred to as black boxes in the literature, meaning that no inference can be made about how the model makes its predictions and inferences. Solution proposals for this issue are being developed under the umbrella of 'explainable artificial intelligence'. In this study, we suggest using an explainable AI approach that can be used to evaluate the reliability of the predictions of existing models instead of developing more successful machine learning techniques, thereby allowing decision-makers to avoid bad decisions that are responsible for the overall prediction performance decrease. Because if there was a measure of how certain the prediction model is about any given prediction, relatively more reliable predictions could be used for decision-making, and lower-quality decisions could be avoided. In this study, a new two-stage prediction model based on machine learning, explainable artificial intelligence and empirical mode decomposition is proposed for predicting the direction of the stock market. According to the findings of the study, the prediction model produces more successful results than existing prediction models in the literature.