Büyük Dünya Endeksleri Kullanılarak BIST-100 Endeksi Değişim Yönünün Makine Öğrenmesi Algoritmaları ile Sınıflandırılması

Year 2021, Volume: 10 Issue: 2, 432 - 441, 07.06.2021

Enes Filiz , Serkan Akogul , Hasan Aykut Karaboğa

https://doi.org/10.17798/bitlisfen.889007

Cited By: 1

Abstract

Borsa İstanbul 100 (BIST-100) endeksi, diğer büyük dünya endeksleri ile birlikte finans piyasalarının küreselleşme değişiminin bir parçası olmuştur. Endeksler arasındaki ilişkinin analizi yatırımcılara büyük avantajlar sağlayacaktır. Bu durumdan yola çıkarak çeşitli makine öğrenmesi algoritmaları ile büyük dünya endeksleri ve bazı makroekonomik göstergeler kullanılarak BIST-100 endeksinin değişim yönünün (artış-azalış) sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda BIST-100 endeksinin değişim yönünün sınıflandırmasında etkin rol oynayan değişkenler belirlenmiş ve belirlenen bu değişkenler yardımıyla sınıflandırma başarılarında değişim olup olmadığı incelenmiştir. Tüm değişkenler ile yapılan sınıflandırmada lojistik regresyonun %70,6; öznitelik seçimi ile yapılan sınıflandırmada da Destek Vektör Makinesi PUK çekirdeği algoritmasının %71,9 daha doğru sınıflandırma başarısı gösterdiği belirlenmiştir. Böylelikle daha az sayıda değişken ile daha yüksek sınıflandırma başarısı elde edilmiştir.

Keywords

BIST-100 endeksi, Makine öğrenmesi, Öznitelik seçimi, Sınıflandırma algoritmaları

References

• Oskooe P. 2010. Emerging Stock Market Performance and Economic Growth. American Journal of Applied Sciences, 7 (2): 265-269.
• Levine R., Zervos S. 1996. Stock Market Development and Long-Run Growth. The World Bank Economic Review, 10 (2): 323-339.
• Masoud N.M.H. 2013. The Impact of Stock Market Performance upon Economic Growth. International Journal of Economics and Financial Issues, 3 (4): 788-798.
• Patel J., Shah S., Thakkar P., Kotecha K. 2015. Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques. Expert Systems with Applications, 42 (1): 259-268.
• Pesaran M.H., Timmermann A. 1995. Predictability of Stock Returns: Robustness and Economic Significance. The Journal of Finance, 50 (4): 1201-1228.
• Tan T.Z., Quek C., Ng G.S. 2007. Biological Brain-Inspired Genetic Complementary Learning for Stock Market and Bank Failure Prediction1. Computational Intelligence, 23 (2): 236-261.
• Wang J.-Z., Wang J.-J., Zhang Z.-G., Guo S.-P. 2011. Forecasting stock indices with back propagation neural network. Expert Systems with Applications, S0957417411007494.
• Savaş İ., Can İ. 2011. Euro‐Dolar Paritesi ve Reel Döviz Kuru’nun İMKB 100 Endeksi’ne Etkisi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 6 (1): 323-339.
• Bali S., Ci̇nel M. 2011. Altın fiyatlarının İMKB 100 endeksi’ne etkisi ve bu etkinin ölçümlenmesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25 (3-4): 45-63.
• Lehkonen H., Heimonen K. 2015. Democracy, political risks and stock market performance. Journal of International Money and Finance, 59: 77-99.
• Kutlu B., Badur B. 2009. Yapay sinir ağları ile borsa endeksi tahmini. Yönetim Dergisi: İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü, 20 (63): 25-40.
• Gunduz H., Cataltepe Z. 2015. Borsa Istanbul (BIST) daily prediction using financial news and balanced feature selection. Expert Systems with Applications, 42 (22): 9001-9011.
• Aydin A.D., Cavdar S.C. 2015. Comparison of Prediction Performances of Artificial Neural Network (ANN) and Vector Autoregressive (VAR) Models by Using the Macroeconomic Variables of Gold Prices, Borsa Istanbul (BIST) 100 Index and US Dollar-Turkish Lira (USD/TRY) Exchange Rates. Procedia Economics and Finance, 30: 3-14.
• Kemalbay G., Alkiş B.N. 2020. Borsa endeks hareket yönünün çoklu lojistik regresyon ve k-en yakın komşu algoritması ile tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26 (8).
• Kumar M., Thenmozhi M. 2006. Forecasting Stock Index Movement: A Comparison of Support Vector Machines and Random Forest (SSRN Scholarly Paper ID 876544). Social Science Research Network. https://doi.org/10.2139/ssrn.876544
• Kara Y., Acar Boyacioglu M., Baykan Ö.K. 2011. Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38 (5): 5311-5319.
• Na S.H., Sohn S.Y. 2011. Forecasting changes in Korea Composite Stock Price Index (KOSPI) using association rules. Expert Systems with Applications, 38 (7): 9046-9049.
• Özdemir A.K., Tolun S., Demirci E. 2011. Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB 100 Endeksi Örneği. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4 (2): 45-59.
• Kara İ., Ecer F. 2018. BİST endeks hareket yönünün tahmininde sınıflandırma yöntemlerinin performanslarının karşılaştırılması. The Journal of Academic Social Sciences, 83 (83): 514-524.
• Filiz E., Karaboğa H.A., Akogul S. 2017. BIST-50 endeksi değişim değerlerinin sınıflandırılmasında makine öğrenmesi yöntemleri ve yapay sinir ağları kullanımı. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 26 (1): 231-241.
• Diler A.İ. 2003. İmkb ulusal-100 endeksinin yönünün yapay sinir ağları hata geriye yayma yöntemi ile tahmin edilmesi. İMKB Dergisi, 7 (25-26): 66-81.
• Avcı E. 2007. Forecasting daily and sessional returns of the ISE - 100 index with neural network models. Doğuş Üniversitesi Dergisi, 8 (2): 128-142.
• Sakarya S., Yavuz M., Karaoglan A.D., Özdemir N. 2015. Stock Market Index Prediction with Neural Network during Financial Crises: A Review on Bist-100. Financial Risk and Management Reviews, 1 (2): 53-67.
• Yakut E., Elmas B., Yavuz S. 2014. Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19 (1): 139-157.
• Tayyar N., Tekin S. 2013. İMKB-100 Endeksinin Destek Vektör Makineleri ile Günlük, Haftalık ve Aylık Veriler Kullanarak Tahmin Edilmesi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 13 (1): 189-217.
• Pabuçcu H. 2019. Borsa Endeksi Hareketlerinin Tahmini: Trend Belirleyici Veri. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 22 (1): 246-256.
• Filiz E., Öz E. 2017. Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 39 (1): 117-129.
• Yakut E., Gemi̇ci̇ E. 2017. Predicting Stock Return Classification through LR, C5.0, CART and SVM methods, and Comparing the Methods Used: An Application at BIST in Turkey. Ege Academic Review, 17 (4): 461-479.
• Witten I.H., Frank E., Hall M.A., Pal C.J. 2017. Data mining: Practical machine learning tools and techniques with Java implementations (Fourth Edition). Morgan Kaufmann.
• https://tr.investing.com/ (Erişim Tarihi: 01.12.2020).
• John G., Langley P. 1995. Estimating Continuous Distributions in Bayesian Classifiers. In proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann Publishers. San Matco.
• Hosmer Jr D.W., Lemeshow S., Sturdivant R.X. 2013. Applied logistic regression (C. 398). John Wiley & Sons.
• Şen Z. 2004. Yapay sinir ağları ilkeleri (1.). Su Vakfı, İstanbul.
• Haykin S. 1994. Neural networks: A comprehensive foundation. Mc Millan.
• Chen X.-W., Liu M. 2005. Prediction of protein–protein interactions using random decision forest framework. Bioinformatics, 21 (24): 4394-4400.
• Filiz E., Öz E. 2019. Finding the best algorithms and effective factors in classification of Turkish science student success. Journal of Baltic Science Education, 18 (2): 239-253.
• Gennari J.H., Langley P., Fisher D. 1989. Models of incremental concept formation. Artificial Intelligence, 40 (1): 11-61.
• Gümüşçü A., Aydi̇lek İ.B., Taşaltin R. 2016. Mikro-dizilim Veri Sınıflandırmasında Öznitelik Seçme Algoritmalarının Karşılaştırılması. Harran Üniversitesi Mühendislik Dergisi, 1 (1): 1-7.
• Balaban M.E., Kartal E. 2015. Veri Madenciliği ve Makine Öğrenmesi Temel Algoritmaları ve R Dili ile Uygulamaları (1.). Çağlayan Kitabevi, İstanbul.
• Donner A., Klar N. 1996. The statistical analysis of kappa statistics in multiple samples. Journal of Clinical Epidemiology, 49 (9): 1053-1058.
• Bradley A.P. 1997. The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30 (7): 1145-1159.
• Depren S.K., Aşkın Ö.E., Öz E. 2017. Identifying the Classification Performances of Educational Data Mining Methods: A Case Study for TIMSS. Educational Sciences: Theory & Practice, 17 (5): Article 5.
• Christodoulou E., Ma J., Collins G.S., Steyerberg E.W., Verbakel J.Y., Van Calster B. 2019. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. Journal of Clinical Epidemiology, 110: 12-22.