Geri Dön

Teknik göstergeleri kullanarak İstanbul şehir endeksi hareketinin tahmini: Makine öğrenmesine dayalı bir yaklaşım

Prediction of Istanbul city index movement using technical indicators: A machine learning- based approach

  1. Tez No: 817122
  2. Yazar: MERVE KARAKÖSE
  3. Danışmanlar: DOÇ. DR. ÖYKÜM ESRA YİĞİT
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 105

Özet

Şehir endeksleri, hesaplandıkları bölgeler hakkında yatırımcılara yol gösterir ve finansal açıdan derin bir bakış açısı sağlar. BIST tarafından 2009 yılı itibariyle hesaplanmaya başlanan şehir endeksleri, günümüzde 14 ili kapsamakta ve bu iller için hesaplanmaktadır. İstanbul şehir endeksi (XSIST), bünyesinde en fazla şirketi bulunduran endekstir. Ulusal literatürde BIST tarafından hesaplanan şehir endekslerini araştıran çalışmaların oldukça kısıtlı olduğu görülmektedir. Bu tez çalışması, ulusal dizinde gerçekleştirilen diğer çalışmalara kıyasla iki açıdan farklılık göstermektedir. İlki; şehir endeksinin hareketinin yönünü tahmin etmek amacıyla geleneksel yöntemler yerine son yıllarda popülaritesini artırmış, büyük veri setleri üzerinde etkili bir şekilde çalışabilen, karmaşık ve değişken yapıları tanıyabilme yeteneğine sahip ve birçok programlama dilinde kullanılabilen çeşitli makine öğrenmesi yöntemlerinin tercih edilmesidir. Diğer farklılık ise; şehir endekslerinin hareketinin tahmini ile ilgili yapılan modelleme çalışmalarında modele girdi değişkeni olarak çoğunlukla tercih edilen döviz kuru, para arzı, faiz oranı gibi mikro veya makroekonomik faktörler yerine finansal serinin meta yapısından elde edilen teknik göstergelerin kullanılmasıdır. Bu çalışmada; XSIST şehir endeksi verisinden elde edilen hacim, trend, oynaklık ve momentuma dayalı 38 adet farklı teknik gösterge hesaplanmış ve XSIST serisinin kapanış fiyat değeri için bir önceki güne göre artış/azalış göstermesinde en etkili 6 teknik gösterge, rasgele orman algoritması tabanlı Recursive Feature Elimination (RFE) öznitelik seçim işlemine göre belirlenmiştir. Bu öznitelikler; Lojistik Regresyon, Destek Vektör Makineleri, Rastgele orman, K-en yakın Komşu, Adaboost ve Gradyan Boosting makine öğrenmesi algoritmaları ile kurulan modellere girdi olarak eklenmiştir. Modellerin performansları, karmaşıklık matrisinden elde edilen metrikler ve grafikler yardımıyla karşılaştırılmıştır.

Özet (Çeviri)

City indexes guide investors about the regions they are calculated for and provide a comprehensive financial perspective. City indexes, which have been calculated by BIST (Borsa Istanbul) since 2009, currently cover 14 cities and are calculated for these provinces. Istanbul City Index (XSIST) is the index that includes the highest number of companies. It is observed that there is limited research on city indexes calculated by BIST in the national literature. This thesis differs from other studies conducted in the national index in two aspects. The first one is the preference of various machine learning methods that have gained popularity in recent years, which can effectively work on big data sets, recognize complex and variable structures, and can be used in many programming languages, instead of traditional methods to predict the direction of the city index movement. The other difference is the use of technical indicators derived from the meta structure of the financial series instead of micro or macroeconomic factors such as exchange rates, money supply, and interest rates, which are mostly preferred as input variables in modeling studies related to predicting the movement of city indices. In this study, 38 different technical indicators based on volume, trend, volatility, and momentum, obtained from XSIST city index data, were calculated, and the 6 most effective technical indicators that show an increase/decrease in the closing price value of XSIST series compared to the previous day were determined according to the Recursive Feature Elimination (RFE) feature selection process based on the random forest algorithm. These features were added as inputs to models established using Logistic Regression, Support Vector Machines, Random Forest, K-Nearest Neighbors, Adaboost, and Gradient boosting machine learning algorithms. The performances of the models were compared using metrics and graphs obtained from the confusion matrix.

Benzer Tezler

  1. Disaster management from a social vulnerability perspective: Mapping the risks for the city of Istanbul

    Sosyal kırılganlık perspektifinden afet yönetimi:İstanbul kenti için risklerin haritalanması

    NUR BERFU AKKAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. TÜZİN BAYCAN

  2. A digital transition roadmap for Türkiye: Bridging the digital divide at national, urban/regional, and enterprise levels

    Türkiye için dijital dönüşüm yol haritası: Ulusal, mentsel/bölgesel, ve işletme düzeyinde dijital eşitsizliklerin üstesinden gelmek

    GÜLFİYE ÖZCAN ALP

    Doktora

    İngilizce

    İngilizce

    2024

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. TÜZİN BAYCAN

  3. Akıllı şehir endeks modelinin kurgulanması ve uygulanabilirliğinin irdelenmesi

    The development of the smart city index model and an examination of its applicability

    FATİH KAFALI

    Doktora

    Türkçe

    Türkçe

    2023

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH GÜLGEN

  4. Kıyı kentlerindeki sosyo-ekonomik gelişmişlik niteliğinin mekansal büyümeye etkileri

    The effects of socio-economic development characteristic of coastal cities on urban spatial development

    MERVE YILMAZ

    Doktora

    Türkçe

    Türkçe

    2019

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. FATİH TERZİ

  5. Akıllı sürdürülebilir kent performans değerlendirme yöntemi: İstanbul kenti örneği

    Smart sustainable city performance assessment method: Istanbul city example

    ZEHRA BAŞULAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Şehircilik ve Bölge PlanlamaGebze Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    DOÇ. DR. ZEYNEP GAMZE MERT