TEKNİK GÖSTERGELERİ MAKİNE ÖĞRENİMİ MODELLERİNE ENTEGRE EDEREK ŞEHİR ENDEKSİ HAREKETİNİN YÖNÜNÜ TAHMİN ETMEYE YÖNELİK BİR YAKLAŞIM

Yıl 2021, Cilt: 14 Sayı: 2, 556 - 575, 31.12.2021

Öyküm Esra Yiğit , Merve Karaköse

https://doi.org/10.17218/hititsbd.979391

Öz

Borsa İstanbul (BIST) tarafından hesaplanan şehir endeksleri, belirli bir bölgeye yatırım yapmak isteyen yatırımcılara önemli bir yol göstericidir. Türkiye'de 13 ilin finansal performansları 2009 yılı başından itibaren bu endeksler tarafından yansıtılmaktadır. Bu çalışmada, şehir endeksi serilerinin çoğunlukla oynaklığı ile ilgilenen önceki çalışmalardan farklı olarak, teknik göstergeleri farklı makine öğrenmesi modellerine entegre ederek şehir endeksi serilerine ait hareketin yönünü tahmin etmede kullanılabilen bileşik bir prosedür önerilmiştir. Önerilen prosedür, BIST’de işlem gören en yüksek hisse senedi sayısına sahip İstanbul şehir endeksi (XSIST) serisine uygulanmıştır. Hacim, oynaklık, trend ve momentuma dayalı 38 farklı teknik gösterge hesaplanmış ve XSIST serisinin günlük değişiminde en etkili göstergeler, 6 farklı makine öğrenmesi modellerine girdi olarak seçilmiştir. Öğrenme modellerin performansı, karmaşıklık matrislerine dayalı metrikler yardımıyla karşılaştırılmıştır.

Anahtar Kelimeler

Şehir Endeksi, Makine Öğrenmesi, Öznitelik Mühendisliği, Teknik Göstergeler

Destekleyen Kurum

Yıldız Teknik Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi

Proje Numarası

FYL-2021-4436

An Approach to Predicting Direction of City Index Movement by Integrating Technical Indicators into Machine Learning Models

Öz

City indexes that have been calculated by Borsa Istanbul provides a deeper understanding to investors who are interested on making investments to a specific region. Financial performances of 13 cities in Turkey are reflected by these indexes from the beginning of the year 2009. This study differs from the earlier ones mostly focused on the volatility by integrating the technical indicators into different machine learning models for the purpose of forecasting the direction of movement in the daily city indexes. The proposed procedure was applied to the Istanbul city index (XSIST) series, which has the highest number of stocks traded in BIST. 38 different technical indicators based on volume, volatility, trend and momentum were calculated and the most effective indicators in the daily change of XSIST series were selected as inputs to 6 different machine learning models. The performance of the learning models was compared with the help of metrics based on confusion matrices.

Anahtar Kelimeler

City Index, Machine Learning, Feature Engineering, Technical Indicators.

Proje Numarası

FYL-2021-4436

Kaynakça

• Akcan, A., ve Kartal, C. (2011). İMKB sigorta endeksini oluşturan şirketlerin hisse senedi fiyatlarının yapay sinir ağları ile tahmini. Muhasebe ve Finansman Dergisi, 51, 27-40. Erişim adresi: https://dergipark.org.tr/tr/pub/mufad/issue/35630/396054
• Aksoy, M. (2013). İstanbul Menkul Kıymetler Borsası'nda finansal kriz döneminde yabancı yatırımcıların hisse senedi tercihlerinin analizi. İstanbul Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 0(48). Erişim Adresi: https://dergipark.org.tr/tr/pub/iusiyasal/issue/ 630/6413
• Altınbaş, H., ve Biskin, O.,T. (2015). Selecting macroeconomic influencers on stock markets by using feature selection algorithms. Procedia Economics and Finance, 30, 22-29. doi: 10.1016/S2212-5671(15)01251-4
• Aşkın, Ö.E. (2019). Analysis of changes in İstanbul city index values with hidden Markov model. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 41(2), 319-337. doi: 10.14780/muiibd.665045
• Aşkın, Ö.E. (2020). BIST şehir endekslerine ait volatilitenin modellenmesi. Muhasebe ve Finansman Dergisi, (85), 223-242. Erişim Adresi: https://dergipark.org.tr/en/pub/ mufad/article/673733
• Bayrakdaroğlu, A., ve Tepeli, Y. (2018). BİST şehir endekslerinin risk-getiri analizi üzerine bir inceleme. Muhasebe ve Finansman Dergisi, (80), 147-160. Erişim Adresi: https://dergipark.org.tr/tr/pub/mufad/issue/39476/465922
• Bayramoğlu, M.,F., ve Pekkaya, M. (2010). İMKB tarafından hesaplanan endekslerde yeni gelişmeler ve İMKB şehir endeksleri. Muhasebe ve Finansman Dergisi, (45), 200-215. Erişim Adresi: https://dergipark.org.tr/tr/pub/mufad/issue/35624/395912
• Boyacioglu, M.A., ve Avcı, D. (2010). An adaptive network-based fuzzy inference system (ANFIS) for the prediction of stock market return: the case of the İstanbul Stock Exchange. Expert Systems with Applications, 37(12), 7908-7912. doi: 10.1016/j.eswa.2010.04.045
• Çakır, Z. (2016). Şehir endekslerinin finansal performanslarının ölçülmesi ve değerlendirilmesi (Yayımlanmamış Yüksek Lisans Tezi). Hitit Üniversitesi, Çorum.
• Davaslıgil Atmaca, V. (2018). BİST şehir endeksleri oynaklığının DCCGARCH model ile analizi. Yönetim Bilimleri Dergisi, 16(31), 287-308. Erişim Adresi: https://dergipark.org.tr/en/ pub/comuybd/issue/44733/556047
• Fama, E., F. (1970). Efficient capital markets: a review of empirical work. Journal of Finance, 25(2),383–417. doi: 10.2307/2325486
• Filiz, E., Karaboğa, H.A., ve Akoğul, S. (2017). BİST-50 endeksi değişim değerlerinin sınıflandırılmasında makine öğrenmesi yöntemleri ve yapay sinir ağları kullanımı. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 26(1), 231-241. Erişim Adresi: https://dergipark.org.tr/tr/pub/cusosbil/issue/31939/350973
• Freund, Y., ve Schapire, R., E. (1996). Experiments with a new boosting algorithm. Proceedings of International Conference on Machine Learning, (96), 148-156. Erişim Adresi: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.51.6252&rep=rep1&type=pdf
• Güneş, İ. (2019). Şehirlere küresel şehir endekslerinden bakış. Strategic Public Management Journal, 5(10), 111-130. doi:10.25069/spmj.585811
• Gürsoy, S., Alptürk, Y., ve Tunçel, M., B. (2020). Dolar ve euro kurundaki değişimlerin Antalya şehir endeksi üzerindeki etkisinin incelenmesi: çok değişkenli VAR-EGARCH uygulaması. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(2), 43-56. doi:10.47147/ksuiibf.828592
• Hasan, A., Kalıpsız, O., ve Akyokuş, S. (2020). Modeling traders’ behavior with deep learning and machine learning methods: evidence from BIST 100 index. Complexity, 2020, 1-16. doi: 10.1155/2020/8285149
• Kantar, L. (2020). BİST 100 endeksinin yapay sinir ağları ve ARMA modeli ile tahmini. Muhasebe ve Finans İncelemeleri Dergisi, 3(2) , 121-131. doi:10.32951/mufider.725722
• Kara, Y., Boyacioglu, M.A., ve 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. doi: 10.1016/j.eswa.2010.10.027
• Karaatlı, M., Güngör, İ., Demir, Y., ve Kalaycı, Ş. (2005). Hisse senedi fiyat hareketlerinin yapay sinir ağları yöntemi ile tahmin edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 3(3), 38-48. Erişim Adresi: https://dergipark.org.tr/tr/pub/yead/issue/21828/234628
• Kayral, İ.E. (2020). BİST şehir endeksleri ile döviz kurları arasındaki ilişkinin incelenmesi: bir ARDL sınır testi uygulaması. IBAD Sosyal Bilimler Dergisi, (6), 272-284. doi: 10.21733/ibad.668915
• Kayral, İ.E., ve Tandoğan, N.Ş. (2019). BİST şehir endekslerinde ay içi ve ay dönümü anomalilerinin incelenmesi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 8(4), 3114-3133. doi: 10.15869/itobiad.633844
• Keles, M., Keles, A., ve Keles, A. (2020). Makine öğrenmesi yöntemleri ile uçuş fiyatlarının tahmini. Euroasia Journal of Mathematics, Engineering, Natural and Medical Sciences, 7(11), 72-78.
• Khaidem L., Saha, S., ve Dey, S., R. (2016). Predicting the direction of stock market prices using random forest. Retrieved from: https://arxiv.org/pdf/1605.00003.pdf
• Kula, V., ve Baykut, E. (2018). BİST şehir endekslerinin volatilite yapıları ve rejim değişimlerinin analizi. Muhasebe ve Finans İncelemeleri Dergisi, 1(1), 38-59. doi:10.32951/mufider. 382687
• Kumar, M., ve Thenmozhi, M. (2006). Forecasting stock index movement: a comparison of support vector machines and random forest. Indian Institute of Capital Markets 9th Capital Markets Conference Paper, Retrieved from: https://papers.ssrn.com/sol3/papers.cfm? abstract_id=876544
• Meijering, J.V., Kern, K., ve Tobi, H. (2014). Identifying the methodological characteristics of European green city rankings. Ecological Indicators, 43, 132-142. doi: 10.1016/j.ecolind.2014.02.026
• Onan, A. (2017). Twitter mesajları üzerinde makine öğrenmesi yöntemlerine dayalı duygu analizi. Yönetim Bilişim Sistemleri Dergisi, 3(2), 1-14. Erişim Adresi: https://atif.sobiad.com/ index.jsp?modul=makaledetay&Alan=sosyal&Id=AWHRGnkWoDuH9Br_eOCd
• Özdemir A.K., Tolun, S., ve Demirci, E. (2011). Endeks getirisi yönünün ikili sınıflandırma yöntemiyle tahmin edilmesi: İMKB-100 endeksi örneği. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(2), 45-59. Erişim Adresi: https://dergipark.org.tr/tr/pub/ niguiibfd/issue/19749/211376
• Özkan, N., ve Ulaş, Ü. (2021). Bölgesel Covid-19 vaka sayıları, altın fiyatları, Euro ve BIST şehir endeksleri arasındaki İlişki: bir ARDL sınır testi yaklaşımı. Ekonomi Politika ve Finans Araştırmaları Dergisi, 6(1), 240-253. doi: 10.30784/epfad.880244
• Pabuçcu, H. (2019). Borsa endeksi hareketlerinin tahmini: trend belirleyici veri. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 22(1), 246-256. doi: 10.29249/selcuksbmyd.487862
• Patel, J., Shah, S., Thakkar, P., ve 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. doi: 10.1016/j.eswa.2014.07.040
• Sevli, O. (2019). Göğüs kanseri teşhisinde farklı makine öğrenmesi tekniklerinin performans karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185. doi:10.31590/ ejosat.553549
• Shynkevich, Y., McGinnity, T.M., Coleman, S.A., Belatreche, A., ve Li, Y. (2017). Forecasting price movements using technical indicators: investigating the impact of varying input window length. Neurocomputing, 264(15), 71-88. doi.org/10.1016/j.neucom.2016.11.095
• Tekin, S., ve Çanakoğlu, E. (2018). Prediction of stock returns in İstanbul Stock Exchange using machine learning methods. Signal Processing and Communications Applications Conference (SIU), 1-4. doi: 10.1109/SIU.2018.8404607.
• Telli, Ş., ve Coşkun, M. (2016). Forecasting the BİST 100 index using artificial neural networks with consideration of the economic calendar. International Review of Economics and Management, 4(3), 26-46. doi: 10.18825/irem.67309
• 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), 139-157. Erişim Adresi: https://dergipark.org.tr/tr/ pub/sduiibfd/issue/20816/222712
• Yapraklı, S., Bozma, G., ve Akdağ, M. (2018). BİST şehir endekslerinde oynaklığın ölçülmesi: alternatif ekonometrik modellerin karşılaştırmalı olarak incelenmesi. Finans Politik ve Ekonomik Yorumlar, (639), 67-86. Erişim Adresi: https://dergipark.org.tr/tr/pub/fpeyd/ issue/47984/607050