Classification Of BIST -100 Index’ Changes Via Machine Learning Methods

Year 2017, Volume: 39 Issue: 1, 117 - 129, 19.07.2017

Enes Filiz Ersoy Öz

https://doi.org/10.14780/muiibd.329913

Cited By: 6

Abstract

The changes in BIST-100 index are economically crucial. In this study, classifications will be made with

the assumption that the changes in BIST-100 index are dependent on certain factors. The classifiers to be

used are k-nearest neighbor algorithm, naive Bayes Classifier, logistic regression and C4.5 classifier from

the machine learning methods. Factors affecting the change of BIST-100 index values are deemed as Euro/

Dollar Parity, Gold value (ounce), Crude Oil Prices, Monthly Interest Rates, Inflation Data and DAX,

FTSE, S&P 500 that are widely used in the literature. As a result of the transactions performed via Weka

program, the most successful methods in order are C4.5 classifier algorithm (66.2%) and logistic regression

analysis (65.9%).

Keywords

BIST-100 Index, Machine Learning Methods, Classification

References

• AKTAŞ, Cengiz, Lojistik Regresyon Analizi: Öğrencilerin Sigara İçme Alışkanlığı Üzerine Bir Uygulama,Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (26), 2009, p. 107-121.
• ALBAYRAK, Ali Sait, Uygulamalı Çok Değişkenli İstatistik Teknikler, Asil Yayın Dağıtım Ltd. Şti., Ankara, 2006.
• ALBAYRAK, Ali Sait; Koltan Yılmaz, Şebnem, Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama, Süleyman Demirel University The Journal of Faculty of Economics Administrative Sciences, 14, 1, 2009, p. 31-52.
• AMASYALI, M. Fatih; Diri, Banu; Türkoğlu Filiz, Farklı Özellik Vektörleri İle Türkçe Dökümanların Yazarlarının Belirlenmesi, TAINN-2006.
• ATASOY, Dinçer, Lojistik Regresyon Analizinin İncelenmesi ve Bir Uygulaması, Graduate thesis, Cumhuriyet University, Institute of Social Sciences, Sivas, 2001.
• BALABAN, Mehmet Erdal.; Kartal, Elif, Veri Madenciliği Ve Makine Öğrenmesi, Çağlayan Kitabevi, 2015.
• BALI, Selçuk; Cinel, Mehmet Ozan, Altın fiyatlarının İMKB 100 endeksi’ne etkisi ve bu etkinin ölçümlenmesi, Ataturk University Journal of Economics and Administrative Sciences, 25, 3-4, 2011, p. 45-63.
• BİGPARA Web Page, http://www.bigpara.com, Access Date: 02.12.2016.
• BULUT, Faruk, Dengesiz Veri Setlerinde Denetimli Öğrenicilerin Başarım Değerlendirmesi, IEEE, 978- 1-4673-8654-8/15/$31.00, 2016.
• ÇOKLUK, Ömay, Lojistik regresyon Analizi: Kavram ve Uygulama, Educational Sciences: Theory & Practice, 10(3), 2010, p. 1357-1407.
• EGE, İlhan; Bayrakdaroğlu, Ali, İMKB şirketlerinin hisse senedi getiri başarılarının lojistik regresyon tekniği ile analizi, Zonguldak Karaelmas University Journal of Social Sciences, 5, 10, 2009, p.139-158.
• ERDAL, Hamit; Makine öğrenmesi yöntemlerinin inşaat sektörüne katkısı: basınç dayanımı tahminlemesi, Pamukkale University Journal of Engineering Sciences, 21(3), 2015, p. 109-114.
• INVESTİNG Web Page, http://tr.investing.com, Access Date: 13.12.2016.
• KAVZAOĞLU, Taşkın; Çölkesen, İsmail, Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi, Harita Dergisi, 144, 2010, p. 73-82.
• KOYUNCUGİL, Ali Serhan; Özgülbaş, Nermin, İMKB’de işlem gören kobi’lerin güçlü ve zayıf yönleri: CHAID karar ağacı uygulaması, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23, 1, 2008, p. 1-21.
• McCALLUM, A.; Nigam, K., A Comparison of Event Models For Naive Text Classification, AAAI-98 Workshop On Learning For Text Categorization, 752, 1998, p. 41-48.
• MERAL, Meriç; Diri, Banu, Twitter Üzerinde Duygu Analizi, IEEE 22nd Signal Processing and Communicatios Applications Conference (SIU 2014), 978-1-4799-4874-1/14/$31.00, 2014, p. 690-693.
• MİTCHELL, T.,M., Machine Learning (1st Edition), McGraw-Hill Science /Engineering / Math, 1997.
• NİZAM, Hatice; Akın, Saliha Sıla, Sosyal Medyada Makine Öğrenmesi İle Duygu Analizinde Dengeli Ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması, XIX. Türkiye’de İnternet Konferansı, 2014, inet-tr.org.tr.
• ONAN, Aytuğ; Korukoğlu, Serdar, Makine Öğrenmesi yöntemlerinin görüş madenciliğinde kullanılması üzerine bir literatür araştırması, Pamukkale University Journal of Engineering Sciences, 22(2), 2016, p. 111-122.
• ÖZDEMİR, A. Kerem; Tolun, Seda; Demirci, Ebru, Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği, Niğde University Journal of Economics and Administrative Sciences, 4, 2, 2011, p. 45-59.
• ÖZEKES, Serhat, Veri Madenciliği Modelleri Ve Uygulama Alanları, İstanbul Ticaret Üniversitesi Dergisi, 2003, p. 65-82.
• ÖZKAN, Yalçın, Veri Madenciliği Yöntemleri, Papatya Yayıncılık, 2008.
• ROKACH, L.; Maimon, O., Decision Trees, Data Mining and Knowledge Discovery Handbook, Springer, 2005, p. 165-192.
• SAVAŞ, İncilay; Can, İsmail, Euro-Dolar Paritesi ve Reel Döviz Kuru’nun İMKB 100 Endeksi’ne Etkisi, Eskişehir Osmangazi University Journal of Economics and Administrative Sciences, 6(1), April 2011, p. 323- 339.
• SOLMAZ, Ramazan; Günay, Mücahid; Alkan, Ahmet, Uzman Sistemlerin Tiroit Teşhisinde Kullanılması, XV. Akademik Bilişim Konferansı Bildirileri, 23-25 Ocak 2013.
• SÜMBÜLOĞLU, Kadir, Lojistik Regresyon Analizi,http://78.189.53.61/-/bs/ess/k_sumbuloğlu.pdf.,2015.
• TAYYAR, Nezih; Tekin, Selin, İMKB-100 endeksinin destek vektör makineleri ile günlük, haftalık ve aylık veriler kullanılarak tahmin edilmesi, Abant İzzet Baysal University Journal of Social Sciences, 13, 1, 2013, p. 189-217.
• TURKISH CENTRAL BANKWeb Page, http://www.tcmb.gov.tr, Access Date: 29.11.2016.
• VURAN, Bengü, İMKB 100 endeksinin uluslararası hisse senedi endeksleri ile ilişkisinin eşbütünleşim analizi ile belirlenmesi, Istanbul University Journal of the School of Business, 39, 1, 2010, p. 154-168.
• ZHANG, H.,The Optimality of Naive Bayes, A A, 1(2), 3, 2004.