Return prediction in Turkish stock market via machine learning
Makine öğrenmesi ile Türk hisse senetleri piyasasında getiri tahmini
- Tez No: 758813
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRAH AHİ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Maliye, Mühendislik Bilimleri, Science and Technology, Finance, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Finans Mühendisliği ve Risk Yönetimi Ana Bilim Dalı
- Bilim Dalı: Finans Mühendisliği ve Risk Yönetimi Bilim Dalı
- Sayfa Sayısı: 45
Özet
Bu çalışmada, İstanbul Menkul Kıymetler Borsası'nda (Borsa İstanbul) işlem gören Türk hisse senetlerinin hisse senedi getirilerini tahmin etmek için makine öğrenimi yöntemleri karşılaştırılmıştır. Ana makine öğrenimi modeli olarak Enstrümanlı Temel Bileşen Analizini (IPCA) ve kıyaslama modeli olarak Fama-French Faktör Modelini kullanılmıştır. IPCA modeli, model içinde tahmin edilen gözlemlenebilir stok düzeyi ve firma düzeyi özellikleri ve gizli ortak faktörlere dayalı olarak stok düzeyinde beklenen getirileri üretir. Modelde stok düzeyi özellikleri faktör betalarını, yani hisse senedi getirilerinin gizli ortak faktörlerle kovaryanslarını belirler. Hisse senedi tahmini karşılaştırmalı analizi için 3 ila 5 faktör Fama-French modelleri kullanılmıştır. IPCA modelinde 3 ila 6 faktör kullanılmış ve 10 karakteristik kullanır. Örneklem, BIST TUM Endeksindeki tüm hisse senetlerini kapsıyor ve örnekleme dönemi, 2010 ile 2022 arasındaki tahminleri içeriyor. Borsa İstanbul BIST TUM Endeksi'nde yer alan 252 firmanın panel verilerini kullanarak IPCA ve Fama-French modellerinin karşılaştırmalı performansları analiz edilmiştir. Daha spesifik olarak, her bir hisse senedinin gerçekleşen ve tahmin edilen seri getirilerini karşılaştırarak modellerin örnek içi ve örnek dışı performanslarına bakılmıştır. IPCA modelinin, örnek R-kare düzeylerinden ve getiri tahminleri ile gerçekleşen getirilerin korelasyonundan önemli ölçüde daha yüksek elde ederek Fama-French modelinden önemli ölçüde daha iyi performans gösterdiğini bulunmuştur. Fama-French ve IPCA modelleri arasındaki performans farkı, ABD borsası için (Kelly, Pruitt and Su 2018) sonuçlarına kıyasla Türkiye borsasında daha belirgindir. Bu nedenle, sonuçlarım, makine öğrenimi tekniklerine dayalı varlık fiyatlandırma modellerinin kullanımının gelişmekte olan ülke borsalarında daha iyi sonuçlar sağlayabileceğini ima ediyor.
Özet (Çeviri)
In this study I compare machine learning methods for predicting the stock returns of individual Turkish stocks listed in the Istanbul Stock Exchange (Borsa Istanbul). As the main machine learning model I use the Instrumented Principal Component Analysis (IPCA) and as a benchmark model I use Fama-French Factor Model. The IPCA model generates the stock-level expected returns based on observable stock-level and firm-level characteristics and latent common factors estimated within the model. Within the model stock-level characteristics determine the factor betas, namely the covariances of stock returns with the latent common factors. I estimate versions of the benchmark Fama-French models between 3 to 5 factors. The versions of the IPCA models use between 3 and 6 factors and use 10 characteristics. The sample covers all stocks in the XUTUM Index and the sample period includes forecasts between 2010 and 2022. Using a panel data of 252 firms listed in the Borsa Istanbul XUTUM Index and I analyze the comparative performance of the IPCA and Fama-French models. More specifically, I look at the in sample and out of sample performances of the models by comparing the realized and predicted series of returns for each individual stock. I find that the IPCA model significantly outperforms the Fama-French model by obtaining significantly higher out of sample R-squared levels and correlation of return forecasts and realized returns. The performance difference between Fama-French and IPCA models is more pronounced in the Turkish stock market compared to results of (Kelly, Pruitt and Su 2018) for the US stock market. Therefore, my results imply that the use of asset pricing models based on machine learning techniques may provide better results in emerging stock markets.
Benzer Tezler
- Incorporation of foreign exchange risk to Fama-French factor model: A study on Borsa İstanbul
Döviz kuru riskini içeren Fama-French faktör modeli: Borsa İstanbul üzerine bir çalışma
FURKAN HÖÇÜK
Yüksek Lisans
İngilizce
2022
EkonometriOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı
DOÇ. DR. ESMA GAYGISIZ LAJUNEN
- Modelling stock market via fuzzy rule based systems
Hisse senedi piyasasının bulanık kurala dayalı sistemler ile modellenmesi
HAKAN AKSOY
- Google trends search volume index in estimation of İstanbul Stock Market index (BİST)
Google trends arama hacim endeksinin Borsa İstanbul endeksi (BİST) üstünde testi
M. EMRE BİLGİÇ
Yüksek Lisans
İngilizce
2017
Ekonometriİstanbul Bilgi ÜniversitesiFinansal İktisat Ana Bilim Dalı
YRD. DOÇ. DR. SERDA SELİN ÖZTÜRK
- Türkiye e-ticaret perakende sektöründe bir başarı faktörü olarak; iade yönetimi
E-commerce in return management as a success factor in Turkey
GİZEM BERKDEMİR
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİHAN YILDIRIM
- ABD Merkez Bankası politikalarının küresel piyasalara olan etkisi
The impact of USA Central Bank policies in global markets
İHSAN ERDEM KAYRAL