Hisse Senedi Fiyat Tahmininde Genetik Algoritma ile Değişken Seçimi

Yıl 2017, Cilt: 17 Sayı: 3, 109 - 124, 15.09.2017

Yrd. Doç. Dr. Mehmet Özçalıcı

https://doi.org/10.18037/ausbd.417285

Öz

Hisse senedi fiyatı yön tahmini, piyasaların sahip olduğu karmaşık yapı itibariyle zor bir problemdir ve bu nedenle de araştırmacıların ilgisini çeken bir konudur. Hisse senedi fiyat tahmininde kullanılan yöntemlerden bir tanesi destek vektör makineleridir (DVM) ve literatürde başarılı bir şekilde kullanıldığı görülmektedir. DVM ile başarılı bir tahmin çalışması gerçekleştirmek için kullanılacak girdi değişkenlerinin dikkatli bir şekilde seçilmesi gerekmektedir. Genetik algoritma, DVM için değişken seçiminde kullanılan yöntemlerden bir tanesidir. Yapılan çalışmalar araştırıldığında genetik algoritma (GA) tabanlı DVM yönteminde farklı kernel fonksiyonlarının performansı ve farklı sayılardaki değişkenlerin tahmin performansının detaylı bir şekilde incelenmediği ortaya çıkmıştır. Bu açığı kapatmak için emtia tabanlı bir fonun tarihi fiyat bilgileri kullanılmış ve GA-DVM yöntemi ile değişken seçimi gerçekleştirilmiştir. En yüksek doğru tahmin oranı, 10 adet değişkenin seçildiği doğrusal kernel fonksiyonuna sahip DVM modelinde gerçekleştiği ortaya çıkmıştır. Aynı zamanda modellerin yarısından fazlasında al ve tut stratejisinden daha yüksek oranda bir getiri sağlamak mümkün olmuştur. Çalışmada elde edilen başarılı sonuçlar, önerilen yöntemin hisse senedi fiyat tahmininde karar destek sistemi olarak kullanılabileceğini göstermektedir. 

Anahtar Kelimeler

Hisse Senedi Fiyat Tahmini, Teknik Analiz Göstergeleri, Genetik Algoritmalar, Destek Vektör Makineleri

Kaynakça

• Abolhassani, A.M.T. ve Yaghoobi, M. (2010). Stock price forecasting using PSOSVM. 3rd International Conference on Advanced Computer Theory and Engineering 3(3),352-356.
• Akar, C. (2007). Volatilite modellerinin öngörü performansları: ARCH, GARCH ve SWARCH karşılaştırılması, İşletme Fakültesi Dergisi, 8(2), 201-217.
• Atsalakis, G.S. ve Valavanis, K.P. (2010). Surveying Stock Market Forecasting Techniques – Part I: Conventional Methods, Journal of Computation Optimization in Economics and Finance, 2(2).
• Atsalakis, G.S., Dimitrakakis, E.M. ve Zopounidis, C.D. (2011). Elliott Wave Theory and neurofuzzy systems in stock market prediction: The WASP System, Expert Systems with Applications, 38(8), 9196-9206.
• Atsalakis, G.S. ve Valavanis, K.P. (2009). Surveying stock market forecasting techniques – Part II : Soft computing methods, Expert Systems with Applications, 36, 5932-5941.
• Dimson, E. ve Mussavian, M. (1998). A brief history of market efficiency, European Financial Management, 4(1), 91-193.
• Edwards, R.D., Magee, J. ve Bassettı, W.H.C. (2007). Technical Analysis of Stock Trends, 9. Bası, Taylor & Francis, New York.
• Fama, F. (1965a). Random walks in stock market prices, Financial Analyst Journal, 51(1), 55-59.
• Fama, F. (1965b). The Behaviour of stock-market prices, The Journal of Business, 38(1), 34-105.
• Fama, F. ve French, K. (1988). Dividend yields and expected stock returns, Journal of Financial Economics, (22), 3-25.
• Guyon, I. ve Elisseeff, A. (2003). An introduction to variable and feature selection, Journal of Machine Learning Research, 3, 1157-1182.
• Han, H. ve Jiang, X. (2014). Overcome support vector machine diagnosis overfitting, Cancer Informatics, 13(1), 145-158.
• Holland, J.H., (1992). Adaptation in Natural and Artificial Systems, THE MIT Press, London.
• Jensen, R. ve Shen, Q., (2008). Computational Intelligence and Feature Selection Rough and Fuzzy Apporaches, IEEE Press, New Jersey.
• Ince, H. ve Trafalis, T.B. (2007). Kernel principal component analysis and support vector machines for stock price prediction, IIE Transactions, 39, 629-637.
• Kara, Y., Boyacıoğlu, M.A. ve Baykan, Ö.K., (2011). Predicting direction of stock price ındex movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange, Expert Systems with Applications, 38(5), 5311-5319.
• Karabacak, M., Meçik, O. ve Genç, E. (2014). Koşullu değişen varyans modelleri ile BİST 100 endeks getirisi ve altın getirisi volatilitesinin tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi. 6(1), 79-90.
• Kim, K. (2003). Financial time series forecasting using support vector machines, Neurocomputing. 55, 307-319.
• Lahmiri, S. (2011). A comparison of PNN and SVM for Stock Market Trend Prediction using economic and technical information. International Journal of Computer Applications. 29(3), 24-30.
• Ni, L.P, Ni, Z.W ve Gao, Y.Z. (2011). Stock trend prediction based on fractal feature selection and support vector machine. Expert Systems with Applications. 38(5), 5569-5576.
• Nisbet, R., Elder, J., Miner, G., (2009). Handbook of Statistical Analysis and Data Mining Applications. Elsevier Inc, Academic Press.
• Öz. B., Ayrıçay, Y. ve Kalkan, G. (2011). Finansal oranlarla hisse senedi getirilerinin tahmini: IMKB 30 endeksi hisse senetleri üzerine diskriminant analizi ile bir uygulama. Anadolu Üniversitesi Sosyal Bilimler Dergisi. 11(3), 51-64.
• Özçalıcı, M. (2015). Hisse Senedi Fiyat Tahminlerinde Bilgi İşlemsel Zeka Yöntemleri: Uzman Bir Sistem Aracılığıyla BİST Uygulaması, Kahramanmaraş Sütçü İmam Üniversitesi/ Sosyal Bilimler Enstitüsü, (Yayınlanmamış Doktora Tezi). Kahramanmaraş.
• Özdemir, A.K., Tolun, S. ve Demirci, E., (2011). Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği, Niğde Üniversitesi İİBF Dergisi, 4(2), 45-59.
• Pai, P.F. ve Lin, C.S. (2005). A hybrid ARIMA and support vector machines model in stock price forecasitng. Omega, 33, 497-505.
• Svanandam, S.N. ve Deepa, S.N., (2008). Introduction to Genetic Algorithms, Springer, New York.
• Tayyar, N. ve Tekin, S. (2013). IMKB-100 endeksinin destek vektör makineleri ile günlük, haftalık ve aylık veriler kullanarak tahmin edilmesi. AİBÜ Sosyal Bilimler Enstitüsü Dergisi, 13(13), 189-217.
• Toraman, C., (2008). Demir-Çelik Sektöründe Yapay Sinir ağları ile Hisse Senedi Fiyat Tahmini: Erdemir A.Ş. ve Kardemir A.Ş. Üzerine Bir Tahmin, Muhasebe ve Finansman Dergisi, 39, 44-57.
• Tsai, C.F. ve Hsiao, Y.C., (2010). Combining Multiple Feature Selection Methods for Stock Prediction: Union, Intersection and Multi-intersection Approaches, Decision Support Systems, 50(1),258-269.
• Vapnik, V. N., (1995). The nature of statistical learning theory. Springer-Verlag New York, Inc., New York, NY, USA.
• Venogopal, K. R., Srinivasa, K. G., Patnaik, L. M., (2009). Soft Computing for Data Mining Applications. Springer-Verlag.
• Yu, L., Wang, S. ve Lai, K.K. (2005). Mining stock market tendency using GA-based support vector machines. Internet and Network Economics Lecture Notes in Computer Sciences, (3828), 336-345.
• Zhao, M., Fu, C., Ji, L., Tang, K. ve Zhou. M. (2011). Feature selection and parameter optimization for support vector machines: A new approach based on genetic algorithm with feature chromosomes. Expert Systems with Applications. 38(5), 5197-5204.