Prediction of Bank Stocks Price with Machine Learning Techniques

Year 2019, Volume: 12 Issue: 2, 30 - 39, 17.12.2019

Zinnet Duygu Akşehir , Erdal Kılıç

Abstract

It is a difficult problem to predict the one-day next
closing price of bank stocks. Because there are many factors affecting stock
prices. In this study, using data from 1 January 2016 to 9 May 2019 date and  some bank stocks have been tried to predict the closing prices of the next
day.  The decision tree, multiple
regression, and random forest methods were used in developing the estimation model
due to finding linear patterns in stock movements. Two different sets of input
variables were used for the models created with these methods. There are 50
indicators consisting of 46 techniques and 4 fundamental indicators in the
first input variable set. The second input variable set, as a result of the
reduction in technical indicators there is a total of 33 indicators consisting
of 29 technical indicators and 4 basic indicators. For these two different
input variable sets, the estimation performance of both models was evaluated by
the R² criteria. When the R² results were analyzed, it was seen that the reduction in
the technical indicator had a positive effect on the predictive performance of
the models.

Keywords

prediction, stock price, decision tree, multiple regression, random forest, technical and basic indicators

Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini

Abstract

Banka hisse
senetlerinin bir gün sonraki kapanış fiyatını tahmin etmek zor bir problemdir. Çünkü
hisse senetleri fiyatlarını etkileyen çok sayıda etken vardır. Bu çalışmada 1
Ocak 2016 - 9 Mayıs 2019 tarihleri arasındaki veriler ele alınarak bazı banka
hisse senetlerinin bir gün sonraki kapanış fiyatları tahmin edilmeye
çalışılmıştır. Hisse senedi hareketlerinde doğrusal örüntülere rastlanması
sebebiyle tahmin modeli geliştirilirken karar ağacı, çoklu regresyon ve rassal
orman yöntemlerinden yararlanılmıştır. Bu yöntemlerle oluşturulan modeller için
iki farklı girdi değişken kümesi kullanılmıştır. Birinci veri kümesinde, 46
teknik ve 4 temel göstergeden oluşan toplam 50 gösterge vardır. İkincisi ise
teknik göstergelerde yapılan indirgemeler sonucunda 29 teknik gösterge ve 4
temel göstergeden oluşan toplam 33 göstergeden meydana gelmektedir. Bu iki
farklı girdi değişken kümesi için her iki modelin tahmin performansı R²
ölçütü ile değerlendirilmiştir. R² sonuçları incelendiğinde, teknik
göstergede yapılan indirgemenin modellerin tahmin performansını olumlu yönde
etkilediği görülmüştür.

Keywords

tahmin, hisse senedi fiyatı, karar ağacı, çoklu regresyon, rassal orman, teknik ve temel gösterge

References

• [1] Akel, V., & Bayramoğlu, M. F. Kriz Dönemlerinde Yapay Sinir Ağları ile Finansal Öngörüde bulunma: İMKB 100 Endeksi Örneği. International Symposium on International Capital Flows and Emerging Markets, 24-28 Nisan 2008, Balıkesir, Bandırma.
• [2] Karaatlı, M., Güngör, İ., Demir, Y., & Kalaycı, Ş. Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 2005, 3(3), 38-48.
• [3] Kutlu, B., & Badur, B. Yapay Sinir Ağları ile Borsa Endeksi Tahmini. Yönetim, 2009, 20(63), pp. 25-40.
• [4] Diler, A. İ. İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hatayı Geriye Yayma Yöntemi ile Tahmin Edilmesi. İMKB Dergisi, 2003, 7(25- 26), pp. 66-82.
• [5] Altay, E., & Satman, M. H. Stock Market Forecasting: Artificial Neural Network and Linear Regression Comparison in An Emerging Market. Journal of Financial Management and Analysis, 2005, 18(2), pp. 18-33.
• [6] Yakut, E., Elmas, B., & Yavuz, S. Yapay Sinir Ağlari Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2014, 19(1), pp. 139-157.
• [7] Sui, X., Hu, Q., Yu, D., Xie, Z. & Qi, Z. A Hybrid Method for Forecasting Stock Market Trend Using Soft-Thresholding De-noise Model and SVM. Springer Verlag Berlin Heidelberg, 2007, pp. 387-394.
• [8] Kim, K. Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 2003, 55, pp. 307–319.
• [9] Inthachot, M., Boonjing, V., & Intakosum, S. Predicting SET50 Index Trend Using Artificial Neural Network and Support Vector Machine. In International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, 2015, pp. 404-414. Springer.
• [10] Aktürk, Z. BIST100 Endeksinin Günlük Modellenmesi. Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, 2019.
• [11] Çetinyokuş, T., & Gökçen, H. Borsada Göstergelerle Teknik Analiz için Bir Karar Destek Sistemi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 2002, 17(1).
• [12] Asiltürk, I., & Çunkaş, M. Modeling and Prediction of Surface Roughness in Turning Operations Using Artificial Neural Network and Multiple Regression Method. Expert systems with applications, 2011, 38(5), pp. 5826-5832.
• [13] Breiman, L. Classification and Regression Trees. Routledge, 2017.
• [14] Breiman, L. Random Forests. Machine learning, 2001, 45(1), pp. 5-32.
• [15] Akşehir, Z. D., & Kılıç, E. Banka Hisse Senetlerinin İndirgenmiş Teknik Göstergelerle Fiyat Tahmini. in 2019 4th International Conference on Computer Science and Engineering (UBMK), 2019, IEEE.