Büyük veri ve finansal piyasalarda istatistiki makine öğrenmesi metodlarının yatırım kararlarında kullanılması
Using big data and statistical machine learning methods in investment decisions in financial markets
- Tez No: 596000
- Danışmanlar: PROF. DR. ALİ HEPŞEN
- Tez Türü: Yüksek Lisans
- Konular: Maliye, İşletme, Finance, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Bu tez çalışmasının amacı BİST100 endeksinin gün içindeki maksimum fiyatının tahmin edilmesidir. Bu kapsamda, makine öğrenmesi yöntemleri kullanılarak oluşturulan modellerden yatırım stratejileri geliştirilmesi hedeflenmiştir. Zaman serisi analizi olarak ele alınabilecek olan BİST100 endeksinin tahmin edilmesi, finansal kararların verilmesinde ve bu kararlarla oluşturulan yatırım stratejileriyle getiri elde edilmesinde önemli bir yere sahiptir. Makine öğrenmesi yöntemleriyle sermaye piyasalarında varlık fiyatlarının tahminine yönelik birçok çalışma literatürde mevcuttur. Günlük trendin tahmini ve kapanış fiyatının tahmini genel olarak uygulama alanlarıdır. Bu çalışmada, hem kullanılacak makine öğrenmesi yönteminin geliştirilmesi, hem de gün içi maksimum fiyatı kullanılarak, veri setinin genişletilmesiyle yatırım stratejisi modeli farklılaştırılmıştır. BİST100 endeksinin gün içi en yüksek fiyatının tahmin edilmesinde dört ve beş yıllık uzunluğa sahip veri setleri kullanılmıştır. Bu sayede modelin başarısı iki ayrı veri seti ile test edilmiştir. Endeksin tahmininde; tahminci olarak endeksin geçmiş verileri gecikmeli olarak kullanılmıştır. Bununla birlikte, tahminci veri setinde; döviz kuru, faiz oranları, emtia ve CDS gibi ekonomik ve dışsal faktörlerde ele alınmıştır. Çalışmada iki ayrı makine öğrenmesi tekniği kullanılarak kapsam genişletilmiştir. Bunlar, literatürde öne çıkan Yapay Sinir Ağları ve XGBoost modelleridir. Modellerin karşılaştırılmasında literatürde yaygın kullanılan performans ölçütleri kullanılmıştır. Bunlardan bazıları; Ortalama Mutlak Hata (MAE), Sinyal Doğruluğu (SA), Ortalama Kare Hata (MSE) ve Kök Ortalama Kare Hata (RMSE)'dır. Ampirik çalışma sonucunda, XGBoost yönteminin bu durumda Yapay Sinir Ağlarına göre daha iyi performans gösterdiğine yönelik bulgular elde edilmiştir. Çalışma kapsamında oluşturulan yatırım stratejileri elde edilen model performansları ışığında oluşturulmuştur. XGBoost ile oluşturulan yatırım stratejileri, aynı dönem aralığında yapılacak pasif yatırıma göre, daha iyi sonuç verdiği tespit edilmiştir. Modellerin tahmin gücünün artırılması için yapılan denemelerde, aynı günün açılış fiyatının tahminci veri setine eklenmesi, modellerin performansını artırmıştır.
Özet (Çeviri)
This paper aims to forecast the daily maximum prices of the BİST100 index. In this context, the target is to develop investment strategies from models created by using machine learning methods. Forecasting of the BİST100 index, which can be considered as time series analysis, has an important role in making financial decisions and generating returns with investment strategies formed by these decisions. There are many studies in the literature on the prediction of asset prices in capital markets using machine learning methods. The forecast of the daily trend and closing price are generally areas of application. In this study, the investment strategy model is differentiated both by developing the machine learning method to be used and by expanding the data set by using intraday maximum price. In order to forecast the highest intraday price of the BİST100 index, four and five years of data sets were used. Thus, the power of the model was tested with two separate data sets. In predicting the index, historical data of the index were used with delay as a predictor data. In addition, the predictor data set includes economic and external factors such as exchange rate, interest rates, commodity, and CDS. In this study, the content was expanded by using two different machine learning techniques. These are Artificial Neural Networks and XGBoost models that are prominent in the literature. In the comparison of models, many performance criteria were used which are commonly used in literature. Some of those; Mean Absolute Error (MAE), Signal Accuracy (SA), Mean Square Error (MSE) and Root Mean Square Error (RMSE). As a result of the empirical study, it was found that the XGBoost method showed better performance than the Artificial Neural Networks in this situation. The investment strategies created within the scope of the study were formed through with the obtained model performances. The investment strategies created with XGBoost have been found that give better results than passive investment for the same period of time. In the experiments to increase the predictive power of the models, it was observed that adding the opening price of the same day to the predictor data set increased the performance of the models.
Benzer Tezler
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi
Estimating stock values with deep learning
HÜSEYİN MUSTAFA METİN
Doktora
Türkçe
2024
MatematikMuğla Sıtkı Koçman Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ERDOĞAN GAVCAR
- Genelleştırilmiş toplamsal modeller ile Bitcoin için yön analizi
Directional analysis of Bitcoin using generalized additive models
İLAYDA ARIKAN
Yüksek Lisans
Türkçe
2024
EkonomiHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. SERPİL AKTAŞ ALTUNAY
- A stress testıng framework for the Turkısh bankıng sector: an augmented approach
Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım
BAHADIR ÇAKMAK
Doktora
İngilizce
2014
BankacılıkOrta Doğu Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. NADİR ÖCAL