SENTIMENT ANALYSIS OF TURKISH FINANCIAL TWEETS USING DEEP LEARNING MODELS FOR BIST 100 INDEX

Erkut Memiş

SENTIMENT ANALYSIS OF TURKISH FINANCIAL TWEETS USING DEEP LEARNING MODELS FOR BIST 100 INDEX

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Ankara Yıldırım Beyazıt Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Bilgisayar Mühendisliği, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: Erkut Memiş

Danışman: Mustafa Yeniad

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Veri madenciliği, bir veri kümesindeki değerli bilgileri bulma sürecidir. Birliktelik madenciliği ise veri madenciliğinin alanlarından biri olup bir veri setindeki öğeler arasında bulunan tüm ilişkileri ve gizli kalıpları keşfeder. Desenler, önceden tanımlanmış kısıtlamalar (minimum destek ve minimum güven değerleri gibi) kullanılarak keşfedilir. Borsada veri madenciliği, sonuçları açısından tüm yatırımcılar için değerli bilgiler sunar. Bu çalışmada Türkiye'deki BİST-100 borsa endeksinin 21.10.2013 ile 10.19.2018 tarihleri arasındaki 87 farklı hisse senedinin günlük verisi kullanılmıştır. BİST-100 borsa endeksindeki birliktelik kuralları tarihsel veriler, Apriori Algoritması ve iki farklı yoğunlaşma yöntemi kullanılarak belirlenmiş olup ilişkilendirme sonuçları, Türkçe finansal tweetlerinin duyarlılık analizinde anahtar kelime olarak belirlenmiştir. Finansla ilgili tweetler borsa açısından analiz edilip yorumlanırsa karar vericiler için önemli bir gösterge olabileceği varsayımından hareketle, BIST-100 endeksinde belirlenmiş olan anahtar kelimeleri içeren finansal tweetler toplanmıştır. Tweetler "Pozitif", "Negatif" ve "Nötr" olarak etiketlendikten sonra ikili ve çok sınıflı veri kümeleri oluşturulmuş; sınıflandırıcı olarak Sinir Ağı, Evrişimli Sinir Ağı (CNN), Uzun Kısa-Süreli Bellek (LSTM), Geçitli Tekrarlayan Birimler (GRU) ve GRU-CNN modelleri kullanılmıştır. Çalışmanın sonunda en iyi sonuçların ikili sınıflar için %83.02; çok sınıflı veri kümeleri için ise %72.73 ve CNN modeliyle elde edildiği gözlemlenmiştir. Kelime gömme yöntemi kullanıldığında ise, en yüksek başarımların sinir ağı modeli aracılığıyla ve çok sınıflı verilerde %63.85; GRU-CNN modeli kullanılarak ikili veri setinde %80.56 düzeyinde gerçekleşmiştir.