Forecasting of BIST Transportation Index with ANN NARX Model

Year 2022, , 2721 - 2746, 30.09.2022

Nesrin Özcan Akdağ , Meltem Karaatlı , Turan Kocabıyık

https://doi.org/10.29023/alanyaakademik.1088404

Cited By: 1

Abstract

Continuous or sudden changes in competitive conditions pose difficulties for businesses, stock investors and other actors in the transportation sector to make strategic moves. In this case, if the indices reflecting the upward and downward movements in the stocks can be interpreted and estimated correctly it will provide a more sustainable competitive advantage. Under that circumstances, the aim of the study was tried to be predicted with the BIST Transportation index (XULAS) Artificial Neural Networks (ANN) Nonlinear External Input Autoregressive Network (NARX) model, which includes the stocks of nine companies operating in the transportation sector. Accordingly, ten macroeconomic variables on a monthly basis and six on a daily basis, have been identified which have a direct or indirect effect on XULAS. In this study, two different models were suggested as monthly and daily. While the daily data used in the study covers the period of 19/07/2010-15/10/2021, the monthly data covers the period of 08/2010-08/2021. As performance criteria, the results of MAD, MSE, RMSE and MAPE values were examined. As a result of the prediction, it can be said that the proposed ANN NARX network models are quite successful in predicting the XULAS values. When both models are compared, it has been determined that working with daily data gives more successful results in terms of forecasting and prediction.

Keywords

BIST Transportation Index, Forecasting, ANN NARX Model

BIST Ulaştırma Endeksinin YSA NARX Modeli ile Öngörülmesi

Abstract

Rekabetçi koşulların sürekli ya da ani değişimi, ulaştırma sektörü içerisinde yer alan işletmelerin, hisse senedi yatırımcılarının ve diğer aktörlerin stratejik hamleler yapmalarını zorlaştırmaktadır. Bu durumda hisse senetlerinde meydana gelen aşağı ve yukarı yönlü hareketleri yansıtan endekslerin doğru bir şekilde yorumlanıp tahmin edilmesi, daha sürdürülebilir bir rekabet avantajı sağlayacaktır. Bu çalışmanın amacı, ulaştırma sektöründe faaliyet gösteren dokuz adet şirkete ait hisse senetlerini bünyesinde tutan BIST Ulaştırma endeksini (XULAS), Yapay Sinir Ağları (YSA) Doğrusal Olmayan Dışsal Girdili Otoregresif Ağ (NARX) modeli ile öngörmeye çalışmaktır.Bu doğrultuda, XULAS üzerinde doğrudan veya dolaylı etkisi olduğu düşünülen aylık bazda on ve günlük bazda altı adet makroekonomik değişken tespit edilmiştir. Çalışmada aylık ve günlük olmak üzere iki farklı model önerisinde bulunulmuştur. Çalışmada kullanılan günlük veriler 19/07/2010-15/10/2021 dönemini kapsarken aylık veriler de 08/2010-08/2021 dönemini kapsamaktadır. Performans ölçütleri olarak MAD, MSE, RMSE ve MAPE değeri sonuçlarına bakılmıştır. Yapılan öngörü sonucunda önerilen YSA NARX ağ modellerinin XULAS değerlerini öngörmede oldukça başarılı olduğu söylenilebilir. Her iki model karşılaştırıldığında günlük verilerle çalışmanın tahmin ve öngörü açısından daha başarılı sonuçlar verdiği saptanmıştır.

Keywords

BIST Ulaştırma Endeksi, XULAS, Öngörü, YSA NARX Model

References

• ACUNA, G., CURILEM, M. (2012). "WCCI 2012 IEEE World Congress on Computational Intelligence", Brisbane, Australia, June, 10-15.
• AÇIK, A., AYAZ, S. İ. & KASAPOĞLU, B. E. (2020). "Exchange Rate and Stock Price Interactions: an Evidence from Turkish Transportation Sector ". Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 31: 109-119. DOI: 10.20875/makusobed.469158
• AKEL, V. & KARACAMEYDAN, F. (2012). “Yatırım Fonları Net Varlık Değerlerinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi”. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12 (2): 87-106.
• ALICI, A. (2020)."Döviz Kuru, Faiz Oranı ile BIST100 ve BIST Ulaştırma Endeksi Arasındaki İlişkinin Ampirik Analizi", İşletme Araştırmaları Dergisi, 12(2): 1573-1584.
• AYDEMİR, E. (2018). Weka ile Yapay Zekâ. Seçkin Yayıncılık, Ankara.
• BATIR, E. T. & SALİHOĞLU, E. (2021). "COVID-19’un Kısıtlamalardan Etkilenen BIST Sektör Endeks Getirileri Üzerindeki Etkisi “Seçilmiş Sektörler Üzerine Bir Uygulama". Muhasebe ve Finansman Dergisi, Ağustos, 491-500.
• BÜBERKÖKÜ, Ö. (2017)."Çoklu Yapısal Kırılmalar Altında Petrol Fiyatlarının Türk Hisse Senedi Piyasaları Üzerindeki Etkisinin İncelenmesi". Bankacılık ve Sermaye Piyasası Araştırmaları Dergisi-BSPAD, 1(2): 15-32.
• ÇALIŞKAN, M. M. T. & DENİZ, D. (2015). “Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31: 177-194.
• ÇINAROĞLU, E. & AVCI, T. (2020) “THY Hisse Senedi Değerinin Yapay Sinir Ağları ile Kestirimi”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34(1): 1-20.
• DOĞAN, E., IŞIK, S., SANDALCI, M. (2007). "Günlük Buharlaşmanın Yapay Sinir Ağları Kullanarak Tahmin Edilmesi", İMO Teknik Dergi, İMO Teknik Dergi, 271: 4119 -4131.
• EYÜBOĞLU, S., EYÜBOĞLU, K. (2018). "Reel Kesim Güven Endeksi ile Borsa İstanbul Sektör Endeksleri Arasındaki İlişkinin Test Edilmesi", Business and Economics Research Journal, 9 (1): 75-86.
• GAO, Y., ER, M. J. (2005). "NARMAX Time Series Model Prediction: Feedforward and Recurrent Fuzzy Neural Network Approaches", Fuzzy Sets and Systems 150: 331–350.
• GASTEIGER, J., ZUPAN, J.(1993)."Neural Network in Chemistry", Angen. Chem. Inr. Ed. En., 32: 503- 527.
• GENCER, G., DEMİRALAY, S. (2013). "The İmpact of Oil Prices on Sectoral Returns: An Empirical Analysis from Borsa Istanbul", 20 (12): 7-24.
• GENÇTÜRK, M. (2009). "Fnansal Kriz Dönemlernde Makroekonomik Faktörlerin Hisse Senedi Fiyatlarına Etksi". Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14 (1): 127-136.
• GODARZİ, A. A., AMİRİ, R. M., TALAEİ, A., JAMASB, T. (2014). "Predicting Oil Price Movements: Adynamic Artificial Neural Network Approach", Energy Policy, 68: 371–382.
• GÜNAY, F. (2021). “Çalışma Sermayesi Etkinliği Ölçümünde Endeks Yöntemi: Borsa İstanbul Yiyecek- İçecek, Konaklama ve Havayolu Ulaştırma İşletmelerinde Bir Uygulama”, Alanya Akademik Bakış, 5(3): 1411-1431.
• JABIN, S. (2014). “Stock Market Prediction Using Feed-Forward Artificial Neural Network”, International Journal of Computer Applications, 99 (9): 4-8.
• KANTAR, L. (2020). "BIST100 Endeksinin Yapay Sinir Ağları Ve Arma Modeli İle Tahmini". MUFİDER, 3 (2): 121 – 131.
• KAPUSUZOĞLU, A., BUYUKKARA, G., TAŞDEMİR, A. (2014). "Testing for Cointegration and Causality Between Sectoral Indices and Euro Exchange Rate in Turkey", Business Management Dynamics, 3 (7): 01-13.
• KARAATLI, M., DEMİRCİ, E., BAYKALDI, A. (2020). "Ticari Kredi Faiz Oranlarının YSA NARX ve VAR Modelleri ile Öngörülmesi", İŞLETME ARAŞTIRMALARI DERGİSİ, 12(3), 2327- 2343.
• KARAÖMER, Y., & ACARAVCI, S. K. (2021). “The Impact Of COVID-19 Outbreak on Borsa Istanbul: an Event Study Method”. Journal of Economic and Administrative Sciences.
• KARASU, S., ALTAN, A., SARAÇ, Z., HACIOĞLU, R., & KARASU, S. (2017). “Estimation of Fast Varied Wind Speed Based on NARX Neural Network by Using Curve Fitting”, In International Journal of Energy Applications and Technologies, 4 (3): 137-146.
• KARCIOĞLU, R., ÖZCAN, M., AĞIRMAN, E., (2017). “The Relationship of Petroleum Price and BIST Sector Indexes”, International Conference on Eurasian Economies, Oturum 4B: Finans II: 301- 306.
• KENDİRLİ, S. & ÇANKAYA, M. (2016), "Ham Petrol Fiyatlarının BIST 100 ve BIST Ulaştırma Endeksleri İle İlişkisi", Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 12: 136- 141.
• KİRACI, K., (2020). "BIST Ulaştırma Endeksi İle Dolar Endeksi Ve Petrol Fiyatları Arasındaki İlişkinin Ampirik Olarak Analizi”. Finansal Araştırmalar ve Çalışmalar Dergisi, 12 (20): 180-189.
• KULKARNI A. P., DHOBLE S. A., PADOLE, M. P. (2018). "Deep Neural Network-Based Wind Speed Forecasting and Fatigue Analysis of A Large Composite Wind Turbine Blade". J Mechanical Engineering Science ,0(0): 1–19.
• MENEZES J. M. P. & BARRETO, G. A. (2008). “Long-Term Time Series Prediction with the NARX Network: an Empirical Evaluation”, Neurocomputing, 71 (16-18): 3335-3343.
• MOHEBBİ, M. R., JASHNİ, A. K., DEHGHANİ, M., HADAD, K. (2019). "Short‑Term Prediction of Carbon Monoxide Concentration Using Artificial Neural Network (NARX) Without Traffic Data: Case Study: Shiraz City", Iranian Journal of Science and Technology, Transactions of Civil Engineering, 43: 533–540.
• MÜNYAS, T., (2021). "Petrol Fiyatlarının Borsa İstanbul Kimyasal, Petrol & Plastik, Sanayi Ve Ulaştırma Sektörlerinin Pay Senetleri Getirilerine Etkisi". Finans Politik & Ekonomik Yorumlar, (656) Haziran: 207-224.
• NICOLA, M., ALSAFİ, Z., SOHRABİ, C., KERWAN, A., AL-JABİR, A., IOSİFİDİS, C. AND AGHA, R. (2020). “The socio-economic implications of the coronavirus pandemic (COVID-19): a review”, International Journal of Surgery (London, England), 78: 185-193.
• ORALBAYKIZI, S. A. (2019). " Petrol Fiyat Değişimlerinin BIST Endeks Getirileri Üzerindeki Etkisinin Analizi, Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(1): 247-265.
• ÖZKAN, F. (2012). “Döviz Kuru Tahmininde Parasal Model ve Yapay Sinir Ağları Karşılaştırması”. Business & Economics Research Journal, 3 (1): 27-39.
• RAPTODİMOS, Y. & LAZAKİS, I. (2020). “Application of NARX Neural Network For Predicting Marine Engine Performance Parameters”. Ships and Offshore Structures, 15 (4): 443-452.
• RUSLAN, A. F., SAMAD, A. M., ZAİN, M. Z., ADNAN, R. (2014). "Flood Water Level Modeling and Prediction Using NARX Neural Network: Case Study at Kelang River", 2014 IEEE 10th International Colloquium on Signal Processing & its Applications (CSPA2014), 7 - 9 Mart, Kuala Lumpur, Malaysia, 204-207.
• SELÇİ, B. Y. (2020). "Türkiye’nin Konut Satışı Değerlerinin Yapay Sinir Ağları İle Öngörülmesi". Ekoist: Journal of Econometrics and Statistics, (35): 19-32.
• SÜSAY, A. & EYÜBOĞLU, K. (2021). "Hizmet Güven Endeksi ile BIST Hizmet Sektör Endeksleri Arasındaki Saklı İlişkilerin Yapısal Kırılmalar Altında İncelenmesi". Çankırı Karatekin Üniversitesi İİBF Dergisi, 11 (1): 195-220.
• ŞAHİN, D., DURMUŞ, S. (2018). "Türkiye’de Ekonomik Büyüme, İhracat ve Hisse Senedi Fiyatları Arasındaki Nedensellik İlişkisinin Analizi". AVRASYA Uluslararası Araştırmalar Dergisi, 6(15): 808-825.
• TEKTAŞ, A., KARATAŞ, A. (2004). "Yapay Sinir Ağları ve Finans Alanında Hisse Senedi Fiyat Tahminlemesi". İktisadi ve İdari Bilimler Dergisi, 3(4): 37-349.
• TICKNOR, J. L. (2013). “A Bayesian Regularized Artificial Neural Network For Stock Market Forecasting”. Expert Systems With Applications, 40 (14): 5501-5506.
• TSAI, C.F.L., YUAH, C.Y., DAVID C. & CHEN, Y.M. (2011). “Predicting Stock Returns by Classifier Ensembles”. Applied Soft Computing, 11: 2452-2459.
• UTAMA, F. F, WARSİTO, B., SUGİTO. (2019). "Model Feed Forward Neural Network (FFNN) Dengan Algoritma Particle Swarm Sebagai Optimasi Bobot", Jurnal Gaussıan, 8 (1): 117- 126.
• YASSERİ,S.F., BHAİ, H., BAZARGAN, H., AMİNZADEH, A. (2010). "Prediction of Safe Sea-State Using Finite Element Method And Artificial Neural Networks", Ocean Engineering 37: 200–207.
• YİĞİTER, Ş. Y., SARI, S. S. & BAŞAKIN. E. E. (2017). “Hisse Senedi Kapanış Fiyatlarının Yapay Sinir Ağları ve Bulanık Mantık Çıkarım Sistemleri İle Tahmin Edilmesi”. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(1). 1-22.
• ZHAO, M., ZHANG, R., LIN, C., ZHOU, H. & SHI, J. (2017). "Stochastic Model Predictive Control for Dual-Motor Battery Electric Bus based on Signed Markov Chain Monte Carlo Method". IEEE Access, 20: 1-9.
• XIE, H., TANG, H., LIAO, Y. (2009). “Time Series Prediction Based On NARX Neural Networks: An Advanced Approach”. Proceedings of the Eighth International Conference on Machine Learning and Cybernetics, Baoding, 12-15 Haziran: 1275-1279.