Geri Dön

Predicting next-day price changes using after-hours trading data from the U.S. Stock Market

Çalışma saatleri sonrasında A.B.D. Borsası verilerine dayanarak ertesi günkü fiyat değişikliklerini öngörme yöntemleri

  1. Tez No: 139406
  2. Yazar: BURCU PINAR BAŞKAYA
  3. Danışmanlar: YRD. DOÇ. DR. İLKAY BODUROĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2003
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

ÖZET ÇALIŞMA SAATLERİ SONRASINDA A.B.D. BORSASI VERİLERİNE DAYANARAK ERTESİ GÜNKÜ FİYAT DEĞİŞİKLİKLERİNİ ÖNGÖRME YÖNTEMLERİ Bu araştırmada, ABD borsalarında, çalışma saatleri sonrasında, yüksek hacim gören hisse senetlerinin bazı nitelikleri ile aynı senetlerin ertesi günkü çalışma saatleri içinde ulaştıkları en yüksek fiyatlar arasındaki bağlantı incelenmiştir. Bunun dışında, çalışma saatleri sonrasındaki ilk 25 dakikada hisse senedi alım-satımmda gözlenen bir tür hisse senedi ile (ki bunlar“A türü”senet olarak isimlendirilmiştir), çalışma saatleri sonrasındaki ilk 25 dakikadan sonraki hisse senedi anm-satımında gözlenen bir tür hisse senedi (ki bunlar“B türü”senet olarak isimlendirilmiştir) karşılaştmlrnıştır. A ve B türü senetlerin içinden hangilerinin ertesi günkü en yüksek fiyatlarının, ertesi günkü açılış fiyatlarından yüzde 1.5 ya da daha fazla arttıkları veri madenciliği yöntemleri kullanılarak araştırılmıştır. Yukarıda bahsedilen artışı öngörebilmek için kullandığımız iki veri madenciliği yöntemi“K. En Yakın Komşu Yöntemi”ve“Doğrusal Regresyon”dur. Yukarda belirttiğimiz artışın A türü senetlerde B türü senetlerden daha kolay öngörülebildiği ve bu tahminler için kullanılan iki yöntemin de aynı derecede iyi sonuçlar verdiği gösterilmiştir. Bu iki yöntem için de genel-geçer basan kıstas değerleri hesaplanmıştır. Bu değerler için yüzde 90 güven düzeyine göre güven aralıkları hesaplanmıştır. Bu kıstaslardan bir tanesi olan“doğru bilme oranı”ortalama Wall Street brokerinin doğru bilme oranı olan yüzde 56'yla karşılaştrnlabilir bir değer çıkmıştır. En son olarak, A tipi senetler için kapanış fiyatlarının, kapanıştaki destek ve direnç seviyelerinin ve çalışma saatleri sonrası fiyatlarının birer fonksiyonu kullanılarak, bir sonraki günün açılış, en yüksek, en düşük ve kapanış fiyatlarının tahmini için birer Doğrusal Regresyon modeli oluşturulmuştur.

Özet (Çeviri)

IV ABSTRACT PREDICTING NEXT-DAY PRICE CHANGES USING AFTER-HOURS TRADING DATA FROM THE U.S. STOCK MARKET In this research, we focus on the relationship between some attributes of stocks that are heavily traded during the so-called“after-hours market”and the maximum prices of those stocks during regular market hours, the following day. Moreover, we compare the strength of a pattern that emerges within the first 25 minutes of the after-hours market (that of what we call“type A stocks”) to strength of a pattern that emerge after the first 25 minutes, but still within the after-hours market (that of what we call“type B stocks”). A tag that takes on a positive value if and only if the next day high price relative to the next day opening price is greater than or equal to 1.015 describes the specific pattern that we are looking for. We use two data mining algorithms to predict this aforementioned pattern: The K-Nearest Neighbor Algorithm (KNN) and Linear Regression. We show that such a pattern does exist with Type A stocks, and that this pattern is equally well predicted by the KNN Algorithm and by Linear Regression. We give confidence intervals for what we call the true positive rate, the rate at which the algorithm correctly predicts a positive tag, averaged over the cases the algorithm gives a positive indication, and confidence intervals for what we call the secondary true positive rate, the rate at which the algorithm correctly predicts a positive tag, averaged over the cases the observation is actually positive. The true positive rates of our implementations are comparable to that of an average Wall Street stockbroker, which is 56 per cent. Finally, we have linear regression models for predicting next day open, next day high, next day low and next day closing prices for the type A stocks. The independent variables in all four models are functions of the closing price, the resistance and support levels at closing, the after-hours heavy- volume price and the next day opening price.

Benzer Tezler

  1. Alışveriş merkezleri için çeşitli çevresel faktörlere göre müşteri adedi tahminleme çalışması

    Estimation of customer numbers for shopping centers according to various environmental factors

    ÇAĞATAY ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEZİ ÇEVİK ONAR

  2. Akıllı şebekelerde depolama sistemlerine sahip rüzgar enerji santrallerinde üretim tahmini ve sisteme katılım miktarının belirlenmesi

    Prediction and penetration of wind energy with storage system analysis

    BETÜL AKYÜREK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  3. Borsa istanbul (BIST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanılarak tahmin edilmesi

    Forecasting stock price change direction using relational stock market network on borsa Istanbul (BIST)

    BİRCAN ERGÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEHRA ÇATALTEPE

  4. Investor attention and social media sentiment in international stock returns and trading activity

    Uluslararası hisse senedi getirileri ve işlem hacimlerinde yatırımcı ilgisi ve sosyal medya duyarlılığı

    SELİN DÜZ TAN

    Doktora

    İngilizce

    İngilizce

    2019

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. OKTAY TAŞ

  5. Otomotiv yan sanayi firmasında yapay sinir ağları ile talep tahmini

    Demand forecasting with artificial neural networks in an automotive supplier company

    NİHAL KURU

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ