Forecasting İstanbul stock exchange
Borsa İstanbul'un tahminlenmesi
- Tez No: 514536
- Danışmanlar: PROF. LİNET ÖZDAMAR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri ve Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (SVM) gibi makine öğrenme yöntemlerinin finans alanında birçok uygulaması vardır. Bu uygulamaların çoğunluğu, hisse senedi fiyatının veya döviz kuru hareket tahmininin popüler sorunlarına odaklanmakta, ancak kurumsal iflas öngörüsü, kurumsal tahvil sınıflandırması ve diğer alanlardaki uygulamalar da literatürde ortaya çıkmaktadır. Makine öğrenme yöntemlerini kullanmanın ardındaki neden, istatistiksel yöntemlerle karşılaştırıldığında varsayımları açısından esnek olan güçlü sınıflandırıcılar olmasıdır. Makine öğrenimi sınıflandırıcılarının esnekliği, onları hisse fiyat tahmini için başvurmak için yararlı bir araç haline getirir. Bu çalışma, iki yeni model önermektedir; ikincisi, ilkinin kısıtlı bir versiyonudur. Modeller, BIST100, İstanbul Menkul Kıymetler Borsası -Türkiye'de en çok işlem gören hisse senedi olan GARAN (Garanti Bankası A.Ş.) için 5 gün önceden alış / satış sinyalleri üretmektedir. Birinci model, küresel makroekonomik göstergelerin yanı sıra yerel girdileri de içermekte olup, ikinci model ise daha çok yerel girdilere odaklanmaktadır. İki modelin performansları, Destek Vektor Makineleri (SVM), Geri Yayılımlı Sinir Ağı (BPN) ve Karar Ağacı (DT) algoritmaları kullanılarak test edilmiştir. BPN ve SVM daha önce BIST100 Endeks hareketini tahmin etmek için kullanılmasına rağmen, DT bu amaçla daha önce kullanılmamıştır. Önerilen tüm modellerin performansı yaklaşık 6 aylık bir süre için test edilmiş ve test dönemi boyunca yatırım getirisini hesaplamak için alım / satım sinyallerine dayalı basit bir ticaret stratejisi uygulanmıştır. Her üç algoritma da bir sonraki hafta için günlük alım / satım sinyalleri oluşturmak için güncellenmiş verilerle haftalık olarak yeniden çalıştırılmıştır. Sonuçlar, DT'nin her iki modeli de kullanarak yaklaşık yüzde 80 tahmin doğruluğu olduğunu ve yüzde 60'a kadar tahmin doğruluğu olan BPN ve SVM'den daha iyi performans gösterdiğini göstermektedir.
Özet (Çeviri)
Machine learning methods such as Artificial Neural Networks (ANN) and Support Vector Machines (SVM) have many applications in the area of finance. The majority of these applications focus on the popular problems of share price or exchange rate movement prediction, however, applications on corporate bankruptcy prediction, corporate bond classification and other areas also arise in the literature. The reason behind using machine learning methods is that they are powerful classifiers that are flexible in terms of their assumptions as compared to statistical methods. The flexibility of machine learning classifiers makes them a useful tool to resort to for share price prediction. This study proposes two novel models, the second being a restricted version of the first. The models generate 5 days ahead buy/sell signals for GARAN (Garanti Bankasi A.Ş.), an equity share that is the top traded stock in BIST100, Istanbul Stock Exchange -Turkey. The first model includes global macroeconomic indicators as well as local inputs whereas the second model is focused more on local inputs. The performances of the two models are tested using SVM, Neural Network with Back-Propagation (BPN), and Decision Tree (DT) algorithms. Though BPN and SVM have previously been used to predict BIST100 Index movement, DT has not been utilized before with this purpose. The performance of all proposed models/methods are tested for a time span of about 6 months. A simple trading strategy is implemented based on buy/sell signals to calculate the rate of return on investment during the testing period. All three algorithms are executed on a rolling horizon basis, that is, they are re-run weekly with updated data to generate daily buy/sell signals for the next week. The results illustrate that DT has about 80 percent prediction accuracy using both models and it outperforms BPN and SVM that have up to 60 percent prediction accuracy.
Benzer Tezler
- İstanbul Menkul Kıymetler Borsası endeksinin istatistiksel yöntemlerle öngörülmesi
Forecasting İstanbul Stock Exchange index by statistical methods
HALİL SONER BİNAY
- Forecasting the İstanbul Stock Exchange composite index
İstanbul Menkul Kıymetler Borsası bileşik endeksinin tahmin edilmesi
BATUHAN BESLER
- Dynamic market value forecasting using artificial neural networks
Yapay sinir ağları ile dinamik pazar değeri tahmini
ERKAM GÜREŞEN
Yüksek Lisans
İngilizce
2008
Ekonomiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. GÜLGÜN KAYAKUTLU
- Hisse senedi getirilerinin panel veri analizi ile tahmini: İstanbul Menkul Kıymetler Borsasında bir inceleme
Forecasting stock returns with panel data analysis: A research in İstanbul Stock Exchange
AHMET UĞUR
- Destek vektör makineleri yöntemi ile İMKB 100 endeksi hareket yönü tahmini
Forecasting movement direction of ISE 100 index using support vector machines method
SELİN TEKİN
