Research Article
BibTex RIS Cite

Multi-Step-Ahead Stock Price Forecasting with Artificial Neural Networks: A Research on BIST30 Stocks

Year 2016, Volume: 31 Issue: 2, 209 - 227, 22.12.2016
https://doi.org/10.24988/deuiibf.2016312517

Abstract

Forecasting time series is an attractive field. Stock prices are also time series and forecasting stock prices has many advantages. In previous studies, it is observed that generally one-day ahead stock prices or trends are forecasted. In this study, different from the literature, 1-day ahead, 2-days ahead and 20-days ahead closing prices are forecasted. The dataset belongs to stocks listed in Borsa Istanbul 30 Index between the period January 2010 and November 2015. Several technical indicators are used as input features. The forecasting model used in this study is artificial neural network models. At the end of the study it is observed that hit rate of 20 days ahead forecasting of stock prices reached 72.88%. The results of the study reveal that multi-step ahead forecasting has important potential that deserve a deep examination.

References

  • ALİ, Ö.G., PINAR, E. (2016), “Multi-Period-Ahead Forecasting with Residual Extrapolation and Information Sharing – Utilizing A Multitude of Retail Series”, International Journal of Forecasting, 32, 502-517.
  • ALTAY, E., SATMAN, M.H. (2005), “Stock market forecasting: Artificial neural network and linear regression comparison in an emerging market”, Journal of Financial Management and Analysis, 18(2), 18-33.
  • ALTUNÖZ, U. (2013), “Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), 189-217.
  • ARAS, S., KOCAKOÇ, İ.D. (2016), “A New Model Selection Strategy in Time Series Forecasting with Artificial Neural Networks: IHTS”, Neurocomputing, 174, 974-987.
  • ASADİ, S., HADAVANDİ, E., MEHMANPAZİR, F., NAKHOSTİN, M.M. (2012), “Hyrbridization of Evolutionary Levenberg-Marquardt Neural Networks and Data Pre-Processing for Stock Market Prediction”, Knowledge-Based Systems, 35, 254-258.
  • ATAN, S.D., ÖZDEMİR, Z.A., ATAN, M. (2009), “Hisse Senedi Piyasasında Zayıf Formda Etkinlik: IMKB Üzerine Ampirik Bir Çalışma”, Dokuz Eylül Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 24(2), 33-48.
  • ATSALAKIS, G.S., PROTOPAPADAKIS, E.E., VALAVANIS, K.P. (2016), “Stock trend forecasting in turbulent market periods using neuro-fuzzy systems”, Operational Research, DOI:10.1007/s12351-015-0197-6.
  • ATSALAKIS, G.S., VALAVANIS, K.P. (2009), “Surveying Stock Market Forecasting Techniques – Part II: Soft Computing Methods”, Expert Systems with Applications, 36(3), 5932-5941.
  • AVCI, E. (2009), “Stock Return Forecasts with Artificial Neural Network Models”, Marmara Üniversitesi İİBF Dergisi, 26(1), 443-461.
  • BOYACIOĞLU, M.A., KARA, Y. (2007), “Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları Ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının Karşılaştırılması”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 197-217.
  • ÇALIŞKAN, M.M.T., DENİZ, D. (2015), “Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini”, Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 10(3), 177-194.
  • DİLER, A.İ. (2003), “IMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi İle Tahmin Edilmesi”, IMKB Dergisi, 7(25-26), 65-81.
  • FAMA, E.F (1965), “The Behavior of Stock-Market Prices”, The Journal of Business, 38(1), 34-105.
  • HAGAN, M.T., DEMUTH, H.B., BEALE, M. (1996), Neural Network Design, Boston Massachusetts PWS.
  • HAYKIN, S. (1999), Neural Networks: A Comprehensive Foundation, Prentice Hall.
  • HORNIK, K., STINCHCOMBE, H.W. (1989), “Multilayer Feedforward Networks Are Universal Approximator”, Neural Networks, 2(5), 359-366.
  • KARA, Y., BOYACIOĞLU, M.A., 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, 5311-5319.
  • ÖZÇALICI, M. (2015), Hisse Senedi Fiyat Tahminlerinde Bilgi İşlemsel Zeka Yöntemleri: Uzman Bir Sistem Aracılığıyla BIST Uygulaması, Kahramanmaraş Sütçü İmam Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı, Doktora Tezi.
  • ÖZÇALICI, M. (2011), Özdüzenleyici Haritalar Yöntemiyle Banka Müşterilerinin Bölümlendirilmesi. Gaziantep Üniversitesi Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı, Yüksek Lisans Tezi.
  • 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 ile Hisse Senedi Fiyat Tahmini: Erdemir A.Ş. ve Kardemir A.Ş. Üzerine Bir Tahmin Uygulaması”, Muhasebe ve Finansman Dergisi, 39, 44-57.
  • USLU, V.R., YOLCU, U., EĞRİOĞLU, E. ALADAĞ, Ç.H., BAŞARAN, M.A. (2012), “Yüksek Dereceli Bulanık Zaman Serisi Yaklaşımı ile Türkiye Enflasyon Öngörüsü”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 27(1), 85-95.
  • YAKUT, E., ELMAS, B., 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.
  • PALIT, A.K., POPOVIC, D. (2005), Computational Intelligent in Time Series Forecasting: Theory and Engineering Applications, Springer. London.
  • XIONG, T., BAO, Y., HU, Z. (2013), “Beyond One-Step-Ahead Forecasting: Evaluation of Alternative Multi-Step-Ahead Forecasting Models For Crude Oil Prices”, Energy Economics, 40, 405-415.

Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma

Year 2016, Volume: 31 Issue: 2, 209 - 227, 22.12.2016
https://doi.org/10.24988/deuiibf.2016312517

Abstract

Zaman serileri tahmini literatürde ilgi gören bir konudur. Hisse senedi fiyatları da zaman serisi oluşturmaktadır ve hisse senedi fiyat tahmininin birçok avantajlı tarafı mevcuttur. Literatürde hisse senedi fiyat tahmini üzerine yapılan çalışmalarda genellikle bir gün sonraki fiyatların veya eğilimin tahmin edildiği görülmektedir. Bu çalışmada literatürden farklı olarak 1 gün sonraki, 2 gün sonraki ve 20 gün sonraki hisse senedi kapanış fiyatları tahmin edilmiştir. Veri seti olarak Borsa Istanbul 30 endeksinde listelenen hisse senetlerinin Ocak 2010 ile Kasım 2015 tarihleri arasındaki fiyat ve hacim bilgileri kullanılmış ve girdi olarak teknik göstergeler hesaplanmıştır. Çalışmada tahmin yöntemi olarak yapay sinir ağları kullanılmıştır. Sonuçta hisse senetlerindeki fiyat hareketleri %72.88 e varan oranda 20 gün önceden doğru bir şekilde tahmin edilebilmiştir. Araştırmada elde edilen bulgular, orta dönemli fiyat tahminlerinin de derinlemesine inceleme gerektiren önemli bir potansiyele sahip olduğu sonucunu ortaya çıkarmaktadır.

References

  • ALİ, Ö.G., PINAR, E. (2016), “Multi-Period-Ahead Forecasting with Residual Extrapolation and Information Sharing – Utilizing A Multitude of Retail Series”, International Journal of Forecasting, 32, 502-517.
  • ALTAY, E., SATMAN, M.H. (2005), “Stock market forecasting: Artificial neural network and linear regression comparison in an emerging market”, Journal of Financial Management and Analysis, 18(2), 18-33.
  • ALTUNÖZ, U. (2013), “Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), 189-217.
  • ARAS, S., KOCAKOÇ, İ.D. (2016), “A New Model Selection Strategy in Time Series Forecasting with Artificial Neural Networks: IHTS”, Neurocomputing, 174, 974-987.
  • ASADİ, S., HADAVANDİ, E., MEHMANPAZİR, F., NAKHOSTİN, M.M. (2012), “Hyrbridization of Evolutionary Levenberg-Marquardt Neural Networks and Data Pre-Processing for Stock Market Prediction”, Knowledge-Based Systems, 35, 254-258.
  • ATAN, S.D., ÖZDEMİR, Z.A., ATAN, M. (2009), “Hisse Senedi Piyasasında Zayıf Formda Etkinlik: IMKB Üzerine Ampirik Bir Çalışma”, Dokuz Eylül Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 24(2), 33-48.
  • ATSALAKIS, G.S., PROTOPAPADAKIS, E.E., VALAVANIS, K.P. (2016), “Stock trend forecasting in turbulent market periods using neuro-fuzzy systems”, Operational Research, DOI:10.1007/s12351-015-0197-6.
  • ATSALAKIS, G.S., VALAVANIS, K.P. (2009), “Surveying Stock Market Forecasting Techniques – Part II: Soft Computing Methods”, Expert Systems with Applications, 36(3), 5932-5941.
  • AVCI, E. (2009), “Stock Return Forecasts with Artificial Neural Network Models”, Marmara Üniversitesi İİBF Dergisi, 26(1), 443-461.
  • BOYACIOĞLU, M.A., KARA, Y. (2007), “Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları Ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının Karşılaştırılması”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 197-217.
  • ÇALIŞKAN, M.M.T., DENİZ, D. (2015), “Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini”, Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 10(3), 177-194.
  • DİLER, A.İ. (2003), “IMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi İle Tahmin Edilmesi”, IMKB Dergisi, 7(25-26), 65-81.
  • FAMA, E.F (1965), “The Behavior of Stock-Market Prices”, The Journal of Business, 38(1), 34-105.
  • HAGAN, M.T., DEMUTH, H.B., BEALE, M. (1996), Neural Network Design, Boston Massachusetts PWS.
  • HAYKIN, S. (1999), Neural Networks: A Comprehensive Foundation, Prentice Hall.
  • HORNIK, K., STINCHCOMBE, H.W. (1989), “Multilayer Feedforward Networks Are Universal Approximator”, Neural Networks, 2(5), 359-366.
  • KARA, Y., BOYACIOĞLU, M.A., 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, 5311-5319.
  • ÖZÇALICI, M. (2015), Hisse Senedi Fiyat Tahminlerinde Bilgi İşlemsel Zeka Yöntemleri: Uzman Bir Sistem Aracılığıyla BIST Uygulaması, Kahramanmaraş Sütçü İmam Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı, Doktora Tezi.
  • ÖZÇALICI, M. (2011), Özdüzenleyici Haritalar Yöntemiyle Banka Müşterilerinin Bölümlendirilmesi. Gaziantep Üniversitesi Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı, Yüksek Lisans Tezi.
  • 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 ile Hisse Senedi Fiyat Tahmini: Erdemir A.Ş. ve Kardemir A.Ş. Üzerine Bir Tahmin Uygulaması”, Muhasebe ve Finansman Dergisi, 39, 44-57.
  • USLU, V.R., YOLCU, U., EĞRİOĞLU, E. ALADAĞ, Ç.H., BAŞARAN, M.A. (2012), “Yüksek Dereceli Bulanık Zaman Serisi Yaklaşımı ile Türkiye Enflasyon Öngörüsü”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 27(1), 85-95.
  • YAKUT, E., ELMAS, B., 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.
  • PALIT, A.K., POPOVIC, D. (2005), Computational Intelligent in Time Series Forecasting: Theory and Engineering Applications, Springer. London.
  • XIONG, T., BAO, Y., HU, Z. (2013), “Beyond One-Step-Ahead Forecasting: Evaluation of Alternative Multi-Step-Ahead Forecasting Models For Crude Oil Prices”, Energy Economics, 40, 405-415.
There are 25 citations in total.

Details

Primary Language Turkish
Journal Section Articles
Authors

Mehmet Özçalıcı

Publication Date December 22, 2016
Acceptance Date July 14, 2016
Published in Issue Year 2016 Volume: 31 Issue: 2

Cite

APA Özçalıcı, M. (2016). Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 31(2), 209-227. https://doi.org/10.24988/deuiibf.2016312517
AMA Özçalıcı M. Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi. December 2016;31(2):209-227. doi:10.24988/deuiibf.2016312517
Chicago Özçalıcı, Mehmet. “Yapay Sinir Ağları Ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma”. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi 31, no. 2 (December 2016): 209-27. https://doi.org/10.24988/deuiibf.2016312517.
EndNote Özçalıcı M (December 1, 2016) Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi 31 2 209–227.
IEEE M. Özçalıcı, “Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma”, Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, vol. 31, no. 2, pp. 209–227, 2016, doi: 10.24988/deuiibf.2016312517.
ISNAD Özçalıcı, Mehmet. “Yapay Sinir Ağları Ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma”. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi 31/2 (December 2016), 209-227. https://doi.org/10.24988/deuiibf.2016312517.
JAMA Özçalıcı M. Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi. 2016;31:209–227.
MLA Özçalıcı, Mehmet. “Yapay Sinir Ağları Ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma”. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, vol. 31, no. 2, 2016, pp. 209-27, doi:10.24988/deuiibf.2016312517.
Vancouver Özçalıcı M. Yapay Sinir Ağları ile Çok Aşamalı Fiyat Tahmini: BIST30 Senetleri Üzerine Bir Araştırma. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi. 2016;31(2):209-27.