BIST-100 Endeks Hareketlerinin BRICS Endeksleri Aracılığıyla Tahmin Edilmesi: Yapay Sinir Ağları Uygulaması

Yıl 2022, , 350 - 366, 31.03.2022

Kübra Saka Ilgın Salim Sercan Sarı

https://doi.org/10.11616/asbi.1096346

Cited By: 1

Öz

Bu çalışmada, BİST 100 endeks hareketlerinin BRICS ülkelerinin gösterge endeksleri ile tahmin edilmesi amaçlanmaktadır. Çalışmanın uygulama kısmında, tahmin için geliştirilen modellerde bağımlı değişken olarak BİST 100 endeksinin aylık kapanış fiyatları, bağımsız değişken olarak BRICS ülkelerinin gösterge endekslerinin aylık kapanış fiyatları kullanılmıştır. Bu kapsamda 5’i bağımsız, 1’i bağımlı değişken olmak üzere toplam 6 değişkenle kurulan 20 model Yapay Sinir Ağları (YSA) yöntemi ile analiz edilmiştir. Analizi yapılan tüm modellerde, 2008- 2019 yılları arasındaki aylık verilerden yararlanılmıştır. Değişkenlere ait toplanan 143 aylık verinin %70’i eğitim verisi olarak, %30’u ise matematiksel modellerin tahmin başarısını ölçmek için kullanılmıştır. Elde edilen bulgulara göre, Yapay Sinir Ağları (YSA) yöntemi ile BİST 100 endeksini tahmin etmek için kurulan modellerin BRICS ülkelerinden sırasıyla Hindistan, Güney Afrika ve Rusya ülkeleri için başarılı sonuçlar verdiği gözlenmiştir.

Anahtar Kelimeler

Borsa Endeksleri, BRICS Ülkeleri, Yapay Sinir Ağları

Kaynakça

• Akel, V. (2015), Kırılgan Beşli Ülkelerinin Hisse Senedi Piyasaları Arasındaki Eşbütünleşme Analizi, Uluslararası Yönetim İktisat ve İşletme Dergisi, 11(24), s.75-96.
• Avci, E. ve Çi̇nko, M. (2008), Endeks Getirilerinin Yapay Sinir Ağları Mo-Delleri İle Tahmin Edilmesi: Gelişmekte Olan Avrupa Borsaları Uygulaması, İktisat İşletme ve Finans Dergisi, 23(266), s.114-137.
• Başakın, E. E., Özger, M. ve Ünal, N. E. (2019), Gri Tahmin Yöntemi İle İstanbul Su Tüketiminin Modellenmesi, Politeknik Dergisi, 22(3), s.755-761.
• Benli, Y. K. (2014), Türkiye Borsasının Gelişmekte Olan Ülkeler Borsaları ile Eşbütünleşme Analizi, Yönetim ve Ekonomi Araştırmaları Dergisi, 12(23), s.18-32.
• Benli, Y. K. ve Tosunoğlu, N. G. (2014), Avrupa Birliği Üyesi Ülkelerin Morgan Stanley Capıtal Internatıonal Endekslerinin Değerlendirilmesi ve Yapay Sinir Ağları İle Öngörüsü, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(2), s.72-87.
• Bozoklu, Ş. ve Saydam, İ. M. (2010), BRICS Ülkeleri ve Türkiye Arasındaki Sermaye Piyasaları Entegrasyonunun Parametrik ve Parametrik Olmayan Eşbütünleşme Testleri ile Analizi, Maliye Dergisi, 159, s.416-431.
• Çelik, T. ve Boztosun, D. (2010), Türkiye Borsası ile Asya Ülkeleri Borsaları Arasındaki Entegrasyon İlişkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 36, s.57-71.
• Çıtak, L. ve Gözbaşı, O. (2007), İMKB ile Bazı Önde Gelen Gelişmiş ve Gelişmekte Olan Ülke Borsaları Arasındaki Bütünleşmenin Temel Endeks ve Ana Sektör Endeksleri Temelinde Analizi, Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 22(2), s.249-271.
• Dimpfl, T. (2014), A Note on Cointegration of International Stock Market Indices, International Review of Financial Analysis, 33, s.10-16.
• Gözbaşı, O. (2010), İMKB ile Gelişmekte Olan Ülkelerin Hisse Senedi Piyasalarının Etkileşimi: Eşbütünleşme ve Nedensellik Yaklaşımı, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 35, s.99-118.
• Guidi, F. ve Ugur, M. (2014), An Analysis Of South-Eastern European Stock Markets: Evidence on Cointegration and Portfolio Diversification Benefits, Journal of International Financial Markets, Institutions and Money, 30, s.119-136.
• Guresen, E., Kayakutlu, G. ve Daim, T. U. (2011), Using Artificial Neural Network Models in Stock Market Index Prediction, Expert Systems with Applications, 38(8), s.10389-10397.
• Haykin, S. (2009), Neural Networks and Learning Machines, Canada: Pearson.
• Horvath, R. ve Petrovski, D. (2013), International Stock Market Integration: Central and South Eastern Europe Compared, Economic Systems, 37(1), s.81-91.
• International Monetary Fund, World Economic Outlook Databases October 2019, Washington, DC.
• Kar, A. (1990), Stock Prediction Using Artificial Neural Networks, Dept. of Computer Science and Engineering, IIT Kanpur.
• Kshirsagar, G., Chandel, M., Kakade, S. ve Amaria, R. (2016), Stock Market Prediction Using Artificial Neural Networks. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 5(5), s.1691-1695.
• Kutlu, B. ve Badur, B. (2009). Yapay Sinir Ağları İle Borsa Endeksi Tahmini, Yönetim Dergisi, 20(63), s.25-40.
• Lehkonen, H. ve Heimonen, K. (2014), Timescale-Dependent Stock Market Comovement: BRICS vs. Developed Markets, Journal of Empirical Finance, 28, s.90-103.
• Narayan, P. K. ve Smyth, R. (2005), Cointegration of Stock Markets Between New Zealand, Australia and The G7 Economies: Searching for Co‐Movement Under Structural Change, Australian Economic Papers, 44(3), s.231-247.
• Nash, J. E. ve Sutcliffe, J. V. (1970), River Flow Forecasting through Conceptual Models. Part 1: A Discussion of Principles, Journal of Hydrology, 10(3), s.282–290.
• Özer, A., Sarı, S. S. ve Başakın, E. E. (2018), Bulanık Mantık ve Yapay Sinir Ağları İle Borsa Endeks Tahmini: Gelişmiş ve Gelişmekte Olan Ülkeler Örneği, Hitit Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(1), s.99-124.
• Sachs, G. (2003), Dreaming with BRICs: The Path to 2050, http://www2. goldmansachs.com/ideas/brics/book/99-dreaming.pdf, (Erişim Tarihi: 20.03.2020).
• Yakut, E., & Süzülmüş, S. (2020). Modelling monthly mean air temperature using artificial neural network, adaptive neuro-fuzzy inference system and support vector regression methods: A case of study for Turkey. Network: Computation in Neural Systems, 31(1-4), 1-36.
• Şahin, C. ve Sümer, K. K. (2014), Gelişmiş ve Gelişmekte Olan Ülke Borsaları ile Türk Borsası Arasındaki Etkileşime Yönelik Bir İnceleme, Trakya Üniversitesi Sosyal Bilimler Dergisi, 16(2), s.315-338.
• Şimşek, M. (2016), Borsa İstanbul (BIST) ve BRICS Ülkelerinin Hisse Senedi Piyasalarının İlişkisi Üzerine Bir İnceleme, İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 5(3), s.520-536.
• Vuran, B. (2010), IMKB 100 Endeksinin Uluslararası Hisse Senedi Endeksleri ile İlişkisinin Eşbütünleşme Analizi ile Belirlenmesi, Istanbul University Journal of the School of Business Administration, 39(1), s.154-168.
• Wanjawa, B. W. (2016), Predicting Future Shanghai Stock Market Price Using ANN in the Period 21-Sep-2016 to 11-Oct-2016, Mach Learn, 1, s.1-10.
• Yağlı, İ. (2016), Uluslararası Portföy Çeşitlendirmesi Kapsamında ABD ile BRICS ve Türkiye Hisse Senedi Piyasaları Arasındaki Eşbütünleşme İlişkisinin Analizi, Ekonomi Politika ve Finans Araştırmaları Dergisi, 1(1-2), s.13-22.
• Yakut, E., Elmas, B. ve 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), s.139-157.
• Yakut, E., ve Süzülmüş, S. (2020). Modelling Monthly Mean Air Temperature Using Artificial Neural Network, Adaptive Neuro-Fuzzy İnference System And Support Vector Regression Methods: A Case Of Study For Turkey. Network: Computation in Neural Systems, 31(1-4), s.1-36.
• Yarar, A. (2010), Susurluk Havzası Yağış Akış Verilerinin Modellenmesi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Anabilim Dalı, Doktora Tezi.
• Yılancı, V. ve Öztürk, Z. A. (2010), Türkiye ile En Büyük Beş Ticaret Ortağının Hisse Senedi Piyasaları Arasındaki Entegrasyon İlişkisinin Analizi: Yapısal Kırılmalı Birim Kök ve Eşbütünleşme Analizi, Erciyes Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 36, s.261-279.
• Zhang, G., Patuwo, B. E. ve Hu, M. Y. (1998), Forecasting with Artificial Neural Networks: The State of the Art, International Journal of Forecasting, 14(1), s.35-62.