Comparison of the performances of BIST 30 portfolios by using machine learning algorithms
Makine öğrenmesi algoritmaları ile oluşturulan BİST 30 portföylerinin performanslarının karşılaştırılması
- Tez No: 698962
- Danışmanlar: DOÇ. DR. SERDA SELİN ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, İşletme, Economics, Business Administration
- Anahtar Kelimeler: Makine Öğrenmesi Algoritmaları, Aktif/Pasif Portföy Yönetimi, BİST 30, Machine Learning Algorithms, Active/Passive Portfolio Management, BIST 30
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Bilgi Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Finansal Ekonomi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 81
Özet
Bu çalışmada makine ogrenmesi algoritmalarindan lojistik regresyon, karar ağacı (decision tree), sektor vektor makineleri (support vector machine), uzun-kisa sureli bellek (long-short term memory) ve XGBoost kullanilarak BIST 30 hisse senetlerinin fiyatlari tahmin edilmis ve bu tahmin fiyatlari baz alinarak cesitli buyukluklerde portfoyler olusturulmustur. Portföyler genel olarak aktif ve pasif olmak üzere iki şekilde yönetilmektedir. Yatırımcıların bunlardan hangisini seçeceğini belirleyen en önemli faktör sağladıkları getirilerdir. Mevcut çalışmalar, BİST'te işlem gören fonların getirilerinin piyasanın altında performans sergilediğini, diğer bir deyişle pasif yönetimin aktif yönetimi yendiğini göstermektedir. Bununla beraber belirli stratejiler kapsamında oluşturulacak portföylerin, endeksin üzerinde getiri sağladığını gösteren çalışmalar da mevcuttur. Bu çalışmada ilk önce makine öğrenmesi yöntemleri uygulanarak BIST 30 hisselerinin 1 ay, 2, ay, 3 ay, 4 ay, 6 ay ve 12 aylik fiyatlari tahmin edilmis ve bu aylara gore portfoy revizyonunun yapildigi 6 strateji olusturulmustur. İkinci aşamada ise sozkonusu stratejiler portfoy büyüklükleri (5-10-15 hisse) değiştirilerek çeşitlendirilmiştir. Sonuc olarak 5 farklı algoritmadan, 6 farklı zaman diliminde kendini revize eden, 3 farkli buyuklukte toplam 90 strateji bulunmustur. Çalışmanın sonucunda, makine öğrenmesi algoritmaları kullanılarak oluşturulan portföylerin getirilerinin genel olarak BIST 30 endeksinin getirisinin uzerinde oldugu tespit edilmistir. Ayrica LSTM algoritmasinin genel olarak daha basarili tahminler yaptigi, 12 aylik stratejilerin diger stratejilerden daha yüksek getirili oldugu ve 5 hisseden oluşan portföylerin diger portföylerden daha basarili oldugu gorulmustur. Sonuc tablosu en basarili olan portföyün XGBoost algoritmasını kullanan, 12 ayda revize edilen ve 5 hisseden oluşan portföy oldugunu gostermektedir.
Özet (Çeviri)
In this study, the prices of BIST 30 stocks are estimated using machine learning algorithms such as linear regression, decision tree, support vector machines, long-short term memory and XGBoost, and based on these predicted prices, various portfolios have been created. Portfolios are generally managed in two ways, active and passive. The most important factor while choosing one is their return. Current studies show that the returns of funds traded on Borsa Istanbul Stock Exchange performed below the market, in other words, passive management beat active management. On the other hand, there are also studies showing that portfolios to be created with certain strategies yielded higher returns than the market. In this study, first of all, the prices of BIST 30 stocks for 1 month, 2 months, 3 months, 4 months, 6 months and 12 months are predicted by using machine learning algorithms and according to these revision periods, 6 strategies were created. In the second stage, these strategies were diversified by changing the portfolio sizes (5-10-15 shares). As a result, a total of 90 strategies were formed with 3 different sizes, 6 different timeframes and 5 different algorithms. As a result of the study, it was determined that the returns of portfolios created by using machine learning algorithms are generally above the return of the BIST 30 index. Also, the LSTM algorithm generally makes more successful predictions, 12-month strategies yield higher returns than other strategies, and portfolios including 5 shares are more successful than other portfolios. The result table shows that the most successful portfolio is the portfolio with 5 shares, revised every 12 month and created by using the XGBoost algorithm.
Benzer Tezler
- Karlılık ve piyasa değeri odaklı portföylerin performans karşılaştırması
Performance comparison of profitability and market value driven portfolios
SELİM SARI
Yüksek Lisans
Türkçe
2021
İşletmeZonguldak Bülent Ecevit Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. MEHMET FATİH BAYRAMOĞLU
- A gradual approach in portfolio selection problem: Optimization by using fuzzy approach with SSD efficiency test
İkinci derece stokastik baskınlıkta verimlilik testi ve bulanık mantık yaklaşımı ile iki aşamalı bir portföy optimizasyonu
CELAL BARKAN GÜRAN
Doktora
İngilizce
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. OKTAY TAŞ
- Long term competitive advantage effect on company value with fuzzy logic and machine learning applications
Bulanık mantık ve makine öğrenmesi uygulamaları ile uzun vadeli rekabet avantajının şirket değeri üzerine etkisi
ZEKERİYA BİLDİK
Doktora
İngilizce
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. KAYA TOKMAKÇIOĞLU
- Minimum varyans portföyleri için tahmin yöntemleri
Forecast methods for minimum variance portfolios
AYŞE NUR KÜÇÜKSEREN
Yüksek Lisans
Türkçe
2022
EkonometriGebze Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KEMAL DİNÇER DİNGEÇ
- Piyasa değeri ve smart beta temelinde oluşturulan endekslerin yatırım performansı açısından karşılaştırılması: Borsa İstanbul uygulaması
Comparison of investment performance of indices created on the basis of market value and smart beta: Borsa Istanbul application
MAHMUT ÖZ