Forecasting of Islamic Stock Index in Turkey with Deep Learning Using Index-Based Features

Abstract

The Islamic stock market is a dynamic platform that provides a suitable environment for investors to invest in shares that comply with Islamic law. Predicting the future price movements of the market provides significant advantages for investors such as reducing risk and increasing profits. As a consequence of developments in artificial intelligence applications, deep learning methods show superior success compared to other methods in predicting financial data. The Long Short Term Memory (LSTM) model, which can successfully model the complex relationship between input and output variables in a financial time series, attracts attention among deep learning methods. For this reason, the LSTM model was used in this study to forecast the Participation index, which represents the Islamic stock market in Turkey, with high accuracy. Macroeconomic factors or stock market technical indicators, which are widely used in the literature, were not used to determine the features that may directly affect the success of the model. Instead, following an index-based approach, the BIST 100 (XU100) index, CBOE volatility index (VIX), the gold volatility index (GVZ), and dollar index (DXY) were determined as the input variables of the forecast model. Thanks to this approach, many parameters are included in the model with a single index value and fewer input variables are used. Thus, the model is simplified and at the same time the predictive power of the model is increased. With the designed model, the Participation index was forecasted with 0.06, 0.08, 0.02, and 0.994 values in MAE, RMSE, MAPE, and R2 error functions, respectively. The main contribution of the study to the literature is that it is the first study in Turkey to use the LSTM model as a deep learning method in forecasting the Islamic stock index. The secondary contribution is the use of XU100, VIX, DXY, and GVZ parameters, which are index-based features, in the forecasting of the Islamic stock index.

Keywords

• Deep learning
• Long short term memory
• Islamic stock index
• Participation index prediction

Türkiye’deki İslami Hisse Senedi Endeksinin, Endeks Tabanlı Öznitelikler Kullanılarak Derin Öğrenme Yöntemi ile Tahmini

Abstract

İslami hisse senedi piyasası, yatırımcılara İslam hukukuyla uyumlu hisselere yatırım yapmaları için uygun ortam sağlayan dinamik bir platformdur. Piyasanın gelecekteki fiyat hareketlerini tahmin etmek, yatırımcılar için riski azaltmak ve kârı artırmak gibi önemli avantajlar sağlamaktadır. Yapay zekâ uygulamalarındaki gelişmeler neticesinde derin öğrenme yöntemleri, finansal verilerin tahmininde diğer yöntemlere göre üstün başarı g östermektedir. F inansal z aman s erilerinde g irdi ve ç ıktı d eğişkenleri a rasındaki k armaşık i lişkiyi başarılı bir şekilde modelleyebilen Uzun Kısa Süreli Bellek (Long Short Term Memory-LSTM) modeli, derin öğrenme yöntemleri arasında dikkat çekmektedir. Bu nedenle çalışmada, Türkiye’de İslami hisse senedi piyasasını temsil eden Katılım endeksinin yüksek doğruluk oranıyla tahmin edilmesi için LSTM modeli tercih edilmiştir. Modelin başarısını doğrudan etkileyebilecek olan özniteliklerin belirlenmesinde, literatürde yaygın olarak kullanılan makroekonomik faktörler veya borsa teknik indikatörleri kullanılmamıştır. Bunun yerine, endeks tabanlı bir yaklaşım izlenerek, BIST 100 (XU100) endeksi, CBOE oynaklık endeksi (VIX), altın oynaklık endeksi (GVZ) ve dolar endeksi (DXY) tahmin modelinin girdi değişkenleri olarak belirlenmiştir. Bu yaklaşım sayesinde birçok parametre, tek bir endeks değeri ile modele dâhil edilmekte ve daha az girdi değişkeni kullanılmaktadır. Böylece bir yandan model basitleştirilirken, diğer yandan modelin tahmin gücü artırılmış olmaktadır. Tasarlanan model ile Katılım endeksi, MAE, RMSE, MAPE ve R2 hata fonksiyonlarında sırasıyla 0,06, 0,08, 0,02 ve 0,994 değerleri ile tahmin edilmiştir. Çalışmanın literatüre ana katkısı, Türkiye’de İslami hisse senedi endeksinin tahmininde derin öğrenme yöntemi olarak LSTM modelini kullanan ilk çalışma olmasıdır. İkincil katkısı ise, İslami hisse senedi endeksinin tahminde endeks tabanlı öznitelikler olan XU100, VIX, DXY ve GVZ parametrelerinin kullanılmasıdır.

Keywords

• Derin öğrenme
• Uzun kısa süreli bellek
• İslami hisse senedi endeksi
• Katılım endeksi tahmini.

References

1. Alkhazali, O. M. ve Zoubi, T. A. (2020). Gold and portfolio diversification: A stochastic dominance analysis of the Dow Jones Islamic indices. Pacific-Basin Finance Journal, 60, 101264.
2. Altın, H. ve Caba, N. (2016). Borsa İstanbul’da işlem gören katılım endekslerinin performanslarının değerlendirilmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 8(15), 229–248.
3. Aslam, F., Mughal, K. S., Ali, A. ve Mohmand, Y. T. (2020). Forecasting Islamic securities index using artificial neural networks: performance evaluation of technical indicators. Journal of Economic and Administrative Sciences, ahead-of-p(ahead-of-print). doi:10.1108/jeas-04-2020-0038.
4. Balcilar, M., Demirer, R. ve Hammoudeh, S. (2015). Global risk exposures and industry diversification with Shariah-compliant equity sectors. Pacific-Basin Finance Journal, 35, 499–520. doi:10.1016/j.pacfin.2015.09.002
5. Bayram, K. ve Othman, A. H. A. (2019). Islamic versus conventional stock market indicates performance: Empirical evidence from Turkey. Iqtishadia: Jurnal Kajian Ekonomi dan Bisnis Islam, 12(1), 74–86.
6. Çetin, D. T. (2019). Türkiye’de jeopolitik risk ve İslami hisse senedi endeksi (Katılım 30) arasındaki nedensellik ilişkisi: Ampirik bir analiz. S. Erdoğan, A. Gedikli ve D. Ç. Yıldırım (Ed.), ISEFE, International Congress of Islamic Economy, Finance and Ethics içinde (ss. 108–119). İstanbul: Umuttepe Yayınları.
7. Çetin, D. T. (2021a). İslami finansın temel ilkesi faiz yasağı: Faizin tarihçesi ve ilahi dinlerde faiz. M. Sarıoğlan ve F. Sansar (Ed.), Sosyal ve Beşerî Bilimlerde Araştırma ve Değerlendirmeler içinde (1., ss. 115–142). Lyon, Fransa: Livre De Lyon.
8. Çetin, D. T. (2021b). İslami finans sisteminde Sukuk (First Edit.). Ankara, Turkey: Gazi Kitabevi.

9. Chen, W., Yeo, C. K., Lau, C. T. ve Lee, B. S. (2018). Leveraging social media news to predict stock index movement using RNN-boost. Data & Knowledge Engineering, 118, 14–24.
10. Dai, Z., Zhou, H. ve Dong, X. (2020). Forecasting stock market volatility: the role of gold and exchange rate. AIMS Mathematics, 5(5), 5094–5105. Dami, S. ve Esterabi, M. (2021). Predicting stock returns of Tehran exchange using LSTM neural network and feature engineering technique. Multimedia Tools and Applications, 80(13), 19947–19970.
11. Deng, L. ve Yu, D. (2014). Deep learning: methods and applications. Foundations and trends in signal processing, 7(3–4), 197–387.
12. Doaei, M., Mirzaei, S. A. ve Rafigh, M. (2021). Hybrid multilayer perceptron neural network with grey wolf optimization for predicting stock market index. Advances in Mathematical Finance and Applications, (In Press).
13. Fauzi, A. (2019). Forecasting saham syariah dengan menggunakan LSTM. Al-Masraf: Jurnal Lembaga Keuangan dan Perbankan, 4(1), 65–69. Gandapur, S. K. (2020). Spillover from global volatility index to equity markets of selected Islamic countries. Capital University of Science and Technology, Islamabad, Master of Degree.
14. Güçlü, F. (2020). İslami ve konvansiyonel hisse senedi piyasaları arasında ortalama ve varyansta nedensellik ilişkisi: ABD, İngiltere, Malezya ve Türkiye Örneği. Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi, 11(1), 23–40.
15. Haddad, H. Ben, Mezghani, I. ve Al Dohaiman, M. (2020). Common shocks, common transmission mechanisms and time-varying connectedness among Dow Jones Islamic stock market indices and global risk factors. Economic Systems, 44(2), 100760. Hassan, M. K., Aliyu, S., Saiti, B. ve Abdul Halim, Z. (2020). A review of Islamic stock market, growth, and real-estate finance literature. International Journal of Emerging Markets, (ahead-of-print). doi:10.1108/IJOEM-11-2019-1001
16. Ibrahim, M. H. (2015). Issues in Islamic banking and finance: Islamic banks, Shari’ah-compliant investment, and sukuk. Pacific-Basin Finance Journal, (34), 185–191. doi:10.1016/j.pacfin.2015.06.002
17. İçellioğlu, C. Ş. (2018). Sermaye piyasalarında İslami endeksler ve geleneksel endeksler arasındaki ilişkiler: Katılım 30 endeksi ve BİST 100 endeksi. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 19(2), 132–144.
18. IFSB. (2020). Islamic Financial Services Industry Stability Report 2020. Kuala Lumpur, Malaysia: Islamic Financial Services Board. https://www.ifsb.org/sec03.php adresinden erişildi.
19. Kahyaoğlu, S. B. ve Akkuş, H. T. (2020). Volatility Spillover Between Conventional Stock Index and Participation Index: The Turkish Case. S. Grima, E. Özen ve H. Boz (Ed.), Contemporary Issues in Business Economics and Finance (Contemporary Studies in Economic and Financial Analysis, Vol. 104) içinde (ss. 1–17). Bingley: Emerald Publishing Limited. doi:/10.1108/S1569-375920200000104002
20. Kamışlı, S. ve Esen, E. (2020). İslami hisse senedi endeksleri arasındaki oynaklık ilişki yapısı. Yönetim ve Ekonomi Araştırmaları Dergisi, 18(1), 108–121.
21. Katılım, E. (2021). Katılım Endeksi. 25 Temmuz 2021 tarihinde https://www.katilimendeksi.org/subpage/17/endeks_kurallari adresinden erişildi.
22. Kilimci, Z. H. (2020). Financial sentiment analysis with Deep Ensemble Models (DEMs) for stock market prediction. Journal of the Faculty of Engineering and Architecture of Gazi University, 35(2), 635–650. doi:10.17341/gazimmfd.501551
23. Kong, W., Dong, Z. Y., Jia, Y., Hill, D. J., Xu, Y. ve Zhang, Y. (2019). Short-Term Residential Load Forecasting Based on LSTM Recurrent Neural Network. IEEE Transactions on Smart Grid, 10(1), 841–851. doi:10.1109/TSG.2017.2753802
24. Mar’i, F., Pratiwi, U., Oktanisa, I. ve Utaminingrum, F. (2019). Comparative study of numerical methods in multiple linear regression for stock predictionJakarta Islamic Index (JII). 2019 International Conference on Sustainable Information Engineering and Technology (SIET) içinde (ss. 110–115). IEEE.
25. Mengi, D. F. ve Metlek, S. (2020). Türkiye’nin Akdeniz Bölgesine ait rüzgâr ekserjisinin çok katmanlı yapay sinir ağı ile modellenmesi. International Journal of Engineering and Innovative Research, 2(2), 102–120.
26. Metlek, S. ve Kayaalp, K. (2021). Detection of bee diseases with a hybrid deep learning method. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(3), 1715–1732. doi:https://doi.org/10.17341/gazimmfd.749443
27. Metlek, S., Kayaalp, K., Basyigit, I. B., Genc, A. ve Dogan, H. (2021). The dielectric properties prediction of the vegetation depending on the moisture content using the deep neural network model. International Journal of RF and Microwave Computer-Aided Engineering, 31(1), e22496. doi:10.1002/mmce.22496
28. Narayan, P. K., Phan, D. H. B., Sharma, S. S. ve Westerlund, J. (2016). Are Islamic stock returns predictable? A global perspective. Pacific-Basin Finance Journal, 40, 210–223.
29. Ögel, S. ve Fındık, M. (2020). Farklı kıtalarda yer alan borsa endekslerinin VIX (korku) endeksi ile ilişkisi. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(1), 127–140.
30. Rahman, M. L., Hedström, A., Uddin, G. S. ve Kang, S. H. (2021). Quantile relationship between Islamic and non-Islamic equity markets. Pacific-Basin Finance Journal, 68, 101586.
31. Rather, A. M., Agarwal, A. ve Sastry, V. N. (2015). Recurrent neural network and a hybrid model for prediction of stock returns. Expert Systems with Applications, 42(6), 3234–3241.
32. Saka Ilgın, K. (2019). Altın ve petrol fiyatları ile volatilite endekslerinin hisse senedi piyasaları üzerindeki etkisi: Gelişmekte olan ülkeler üzerine bir inceleme. Erzincan Binali Yıldırım Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora Tezi.
33. Saud, A. S. ve Shakya, S. (2020). Analysis of look back period for stock price prediction with RNN variants: A case study on banking sector of NEPSE. Procedia Computer Science, 167, 788–798.
34. Seçme, O., Aksoy, M. ve Uysal, Ö. (2016). Katılım endeksi getiri, performans ve oynaklığının karşılaştırmalı analizi. Muhasebe ve Finansman Dergisi, (72), 107–128.
35. Sherstinsky, A. (2020). Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network. Physica D: Nonlinear Phenomena, 404, 132306. doi:https://doi.org/10.1016/j.physd.2019.132306
36. Song, X., Liu, Y., Xue, L., Wang, J., Zhang, J., Wang, J., … Cheng, Z. (2020). Time-series well performance prediction based on Long Short-Term Memory (LSTM) neural network model. Journal of Petroleum Science and Engineering, 186, 106682. doi:https://doi.org/10.1016/j.petrol.2019.106682
37. Trabelsi, N. (2019). Dynamic and frequency connectedness across Islamic stock indexes, bonds, crude oil and gold. International Journal of Islamic and Middle Eastern Finance and Management.
38. Umam, A. K., Ratnasari, R. T. ve Herianingrum, S. (2019). The effect of macroeconomic variables in predicting Indonesian sharia stock index. JEBIS (Jurnal Ekonomi dan Bisnis Islam)| Journal of Islamic Economics and Business, 5(2), 223–240.
39. Umar, Z., Shahzad, S. J. H., Ferrer, R. ve Jareño, F. (2018). Does Shariah compliance make interest rate sensitivity of Islamic equities lower? An industry level analysis under different market states. Applied Economics, 50(42), 4500–4521.
40. Usman, M., Qamar Jibran, M. A., Amir-ud-Din, R. ve Akhter, W. (2019). Decoupling hypothesis of Islamic stocks: Evidence from copula CoVaR approach. Borsa Istanbul Review, 19, 56–63. doi:10.1016/j.bir.2018.09.001
41. Yavuz, M. (2019). A Markov chain analysis for BIST participation index. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(1), 1–8.