Hisse Senedi Kapanış Fiyatlarının Yapay Sinir Ağları ve Bulanık Mantık Çıkarım Sistemleri İle Tahmin Edilmesi

Yıl 2017, Cilt: 7 Sayı: 1, 1 - 22, 12.08.2017

Şule Yüksel Yiğiter , Salim Sercan Sarı , Eyyup Ensar Başakın

Öz

Günümüzde, hisse senedi satın alarak yapılan yatırım,
ülkeler arasında yapılan ekonomik alışverişin büyük bir bölümünü
oluşturmaktadır ve önemli miktarda sermaye, tüm dünyadaki borsalar vasıtasıyla
el değişmektedir. Ulusal ekonomiler borsaların faaliyetlerinden çok
etkilenmektedir. Bir yatırım aracı olarak borsa, yatırımcı için özel önem
taşımaktadır. Bu sürecin en önemli kısmı gelecekteki hisse senedi fiyatlarını
tahmin ederek daha fazla kâr elde etmektir. Bu tahminlerin elde edilmesinde
birçok metot kullanılmaktadır. Yapay Sinir Ağları, Bulanık Mantık Çıkarım
Sistemleri, Regresyon Analizi başlıca yöntemler arasındadır. Bu çalışmayı diğer
klasik çalışmalardan ayıran en önemli özellik, tahmin edilecek verilerin önce
trendi giderilmiş daha sonra yapılan tahminlere trend eklenerek daha güçlü
tahminler elde edilmiş olmasıdır. Bu özelliği ile ham veriler kullanılarak
oluşturulan modellerden daha yüksek başarı elde edilmiştir.

Bu çalışmada 2006-2016 yılları arasında BIST’ te işlem gören
hisse senedi kapanış fiyatlarının zaman serileri kullanılarak bulanık mantık,
yapay sinir ağları ve regresyon yöntemleri ışığında tahmini yapılmıştır.
Çalışmada yüzde 60 oranında veri eğitim, yüzde 40 oranında veri test için
kullanılmış ve farklı modeller üzerinden tahmin yapılmıştır. Analizler
sonucunda ANFIS modelinin diğer modellere göre üstünlük sağladığı
görülmüştür.   

Anahtar Kelimeler

hisse senedi, bulanık mantık, yapay sinir ağları

Kaynakça

• Adebiyi, A.A., Ayo, C.K. (2011). Fuzzy-neural model with hybrid market indicators for stock forecasting, Int. J. Electronic Finance, Vol. 5, No. 3.
• Altay, E., Satman, M. H. (2005). Stock Market Forecasting: Artificial Neural Networks and Linear Regression Comparison in an Emerging Market, Journal of Financial Management and Analysis, 18(2):18-33.
• Altunkaynak, A. (2010). A predictive model for well loss using fuzzy logic approac Hydrol. Process. 24, 2400–2404.
• Atiya, a., Talaat N., Shaheen, S. (1997) An Efficient Stock Market Forecasting Model Using Neural Network, Proceedings of International Conference on Neural Networks, Vol. 4, Houston, 9-12 June, 2112-2115.
• Atsalakıs, G.S., Protoparadakıs, E.E., Valavanıs, K.P. (2015). Stock trend forecasting in turbulent market periods using neuro-fuzzy system, Operational Research,OI:10.1007/s12351-015-0197-6.
• Avcı, E. (2007). Forecasting daily and sessional returns of the ISE-100 index with neural network model, Journal of Dogus University, 8(2):128–142.
• Boyacıoğlu, M., A., Avcı, D. (2010). An Adaptive Network-Based Fuzzy Inference System (ANFIS) for the prediction of stock market return: The case of the Istanbul Stock Exchang, Expert Systems with Applications 37 : 7908–7912.
• Çalışkan, M. M. T., Deniz, D. (2015). Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini, Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 10(3),177- 194, Aralık.
• Chen, S.H., Wang, P.P. ve Kuo, T.W. (2007). Computational Intelligence in Economics and Finance, Springer, Berlin.
• Demirpençe, H. K. (2005). Akımlarının Yapay Sinir Ağları ile Tahmin, Antalya Yöresinin İnşaat Mühendisliği Sorunları Kongresi, Antalya.
• Dualıbe, C., Verleysen, M. ve Jespers, P.G. (2003). Design of Analog Fuzzy Logic Controlers in CMOS Technologie Implementation, Test and Application. Kluwer Academic Publishers, 227 s,USA.
• Fama, E. (1969). Efficient Capital Markets: A Review of Theory and Empirical Work, The Journal of Finance, 25/2, 383-417.
• Harrigton, D. (1987), Modern Portfolio Theory, Prentice Hall, Englwood Cliffs.
• Hsieh, L.F., Hsieh, S.C. ve Tai, P.H. (2011). Enhanced Stock Price Variation Prediction via DOE and BPNN-based Optimizatio, Expert Systems with Applications, 38/11, 14178-14184.
• Jandaghi, G., Tehrani, R., Hosseinpour, D., Gholipour, R., Shadkam, S. A. S. (2010). Application of Fuzzy-neural networks in multi-ahead forecast of stock price, African Journal of Business Management Vol. 4(6), pp. 903-914, June.
• Karaatlı, M., Güngör, İ., Demir Y. Kalaycı, Ş. (2005). Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi, Balıkesir Üniversitesi İİBF Dergisi, 2(1), 22–48
• Kişi, O. (2005). Suspended sediment estimation using neuro-fuzzy and neural network approache, Hydrological Sciences Journal, 50(4), 683-696.
• Kutlu, B., Badur, B. (2009). Yapay Sinir Ağları İle Borsa Endeksi Tahmini, Yönetim, 63:25-40.
• Lı, R., Xıong Z. (2005). Forecasting Stock Market With Fuzzy Neural Networks, College of Business Administration, South China University of Technology Guangzhou 510640 P.R.China.
• Maciell, L., Gomide, F. and Rosangela B. (2012). Evolving Fuzzy Modeling for Stock Market Forecasting, IPMU 2012, Part IV, CCIS 300, pp. 20–29.
• Mamdani, E. H. (1974). Application of fuzzy algorithms for simple dynamic plant, Proc. IEEE, 121(12), 1585–1588.
• Mcnelis, P.D. (1996). A Neural Network Analysis of Brazillian Stock Price: Tequila Effects vs. Pisco Sour Effect, Journal of Emerging Markets, 1(2).
• Murphy, J.J. (1999). Technical Analysis of the Financial Markets: A Comprehensive Guide toTrading Methods and Applications New York Institute of Finance.
• Özalp, A., Anagün, A. S. Sektörel Hisse Senedi Fiyat Tahmininde Yapay Sinir AğIarı Yaklaşımı ve Klasik Tahminleme Yöntemleri ile Karşılaştırılması, Endüstri Mühendisliği Dergisi Cilt: 12 Sayı: 3-4 Sayfa: (2-17)
• Rast, M. (1999). Forecasting with Fuzzy Neural Networks: A Case Study İN Stock Market Crash Situations, Ludwig-Maximilians-Universitat, Mathematisches Institut Theresienstr. 39/334, 80333 Munich, Germany.
• Şen, Z. (2004). Mühendislikte Bulanık Mantık İle Modelleme Prensipleri.” Su Vakfı Yayınları. 191 s, Türkiye.
• Takagi, T., and Sugeno, M. (1985). Fuzzy identification of systems and its application to modeling and control, IEEE Trans. Syst. Man Cybern., 15, 116–132.
• Tektaş, A., Karataş, A. (2004). Yapay Sinir Ağları Ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(3-4), 337-349.
• Toraman, C. (2008). Demir-Çelik Sektöründe Yapay Sinir Ağları İle Hisse Senedi Fiyat Tahmini: Erdemir A.Ş. ve Kardemir A.Ş. Üzerine Bir Tahmin Uygulaması’’ Muhasebe ve Finansman Dergisi Sayı 39 sayfa 44-57 – Temmuz.
• Trinkle, B. S. (2006). Forecasting annual excess stock returns via an adaptive network-based fuzzy inference system, Intelligent Systems in Accounting, Finance and Management, 13(3), 165– 177.
• Yang, K., Wi, M. ve Lin, J. (2012). The Application of Fuzzy Neural Network in Stock Price Forecasting Basad on Genetic Algorithm Discovering Fuzzy Rule, 8th International Conference on Natural Computation, ss. 470-474.
• Yarar, A. (2010). Susurluk Havzası Yağış Akış Verilerinin Modellenmesi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Anabilim Dalı, Doktora Tezi.
• Yıldız, B., Yalama, A., Coşkun, M. (2008). Forecasting the Istanbul Stock Exchange National 100 Index Using an Artificial Neural Network, World Academy of Science, Engineering and Technology 46:36-39.
• Yolcu, Ö. C. (2014). The forecasting of Istanbul stock exchange by using a hybrid fuzzy time series approach, Turkish Journal of Fuzzy Systems, Vol.5, No.1, pp. 10-26, 2014.
• Zekic, M. (1998). Neural Network Application in Stock Market Predictions- A Methodology Analysis, Proc. of 9. Intl’ Conf. Information and Intelligent Systems.