Borsa İstanbul Hisse Senedi Getirilerinin ANFIS Aracılığıyla Tahmin Edilmesi

Year 2020, , 171 - 193, 31.08.2020

Salim Sercan Sarı , Şule Yüksel Yiğiter

https://doi.org/10.33399/biibfad.748019

Cited By: 2

Abstract

Bu çalışmada, hisse senedi getirilerinin yatırımcı duyarlılığı aracılığı ile tahmin edilmesi ve yatırımcı duyarlılığının yatırımcıların davranışları üzerindeki etkisinin ortaya konması amaçlanmaktadır. Tahmin için geliştirilen modellerde bağımlı değişken olarak BİST 100 Getiri Endeksi, bağımsız değişken olarak ise yatırımcı duyarlılığını temsil eden değişkenler (işlem hacmi, işlem görme oranı vb.) kullanılmıştır. Veriler bulanık mantık (ANFIS) yöntemi ile analiz edilmiştir. Yapılan analizlerde, 2007- 2018 yılları arasındaki aylık veriler dikkate alınmıştır. Değişkenlere ait toplanan 144 aylık verinin %70’lik kısmı eğitim verisi olarak, %30’luk kısmı ise matematiksel modellerin tahmin başarısını ölçmek için kullanılmıştır.
Elde edilen sonuçlar, yatırımcı duyarlılığının hisse senedi getirilerini tahmin etme konusunda başarılı olduğu göstermektedir. Özellikle işlem hacmi ve işlem görme oranı değişkenleri hisse senedi getirilerini önemli ölçüde tahmin edebilmiştir. Yatırımcı duyarlılığını ölçen değişkenler arasında tahmin gücü en düşük olan değişken, ortalama fon akışı değişkenidir. Sonuçlar genel olarak, BİST 100 Getiri Endeksinin yatırımcı duyarlılığı aracılığıyla tahmin edilebildiğini ortaya koymaktadır. 

Keywords

Davranışsal finans, Yatırımcı duyarlılığı, Tahmin, ANFIS

Estimation of İstanbul Stock Exchange Share Return via ANFIS

Abstract

In this study, it is aimed to estimate the stock returns through investor sentiment and to reveal the effect of investor sentiment on investors' behavior. In the models developed for estimation, BIST 100 Return Index was used as the dependent variable, and variables representing investor sentiment (trading volume, rate of transaction etc.) were used as independent variables. The data were analyzed with fuzzy logic (ANFIS) method. In the analyses made, monthly data between 2007 and 2018 were taken into consideration. 70% of the 144 monthly data of the variables were used as training data and 30% of them were used in order to measure the prediction success of mathematical models.

The obtained results show that investor sentiment is successful in estimating stock returns. In particular, the trading volume and rate of trading variables were able to predict stock returns significantly. Among the variables measuring investor sentiment, the variable with the lowest predictive power is the average fund flow variable. The results generally reveal that the BIST 100 Return Index can be estimated through investor sentiment.

Keywords

Behavioral finance, investor sentiment, estimation, ANFIS

References

• Adabag, C., ve Ornelas, J. R. H. (2004). Behavior and effects of foreign investors on Istanbul Stock Exchange. Available at SSRN 656442.
• Akarım, Y.D. (2014). Yatırımcı duyarlılığı, piyasa likiditesi ve ekonomik büyüme arasındaki ilişki: Türkiye uygulaması. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (42), 269-277.
• Anlaş, T. (2017). Menkul Kıymet Piyasalarında, Kurumsal Yatırım, Yatırımcı Duyarlılığı ve Hisse Senedi Getirileri İlişkisinin İncelenmesi. Gaziantep Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, Doktora Tezi, Gaziantep.
• Baker, M., ve Wurgler, J. (2006). Investor sentiment and the cross‐section of stock returns. The Journal of Finance, 61(4), 1645-1680.
• Baker, M., ve Wurgler, J. (2007). Investor sentiment in the stock market. Journal of Economic Perspectives, 21(2), 129-152.
• Baker, M., Wurgler, J. ve Yuan, Y. (2012). Global, local, and contagious investor sentiment. Journal of Financial Economics, 104(2), 272-287.
• Başakın, E. E., Özger, M. ve Ünal, N. E. (2019). Gri tahmin yöntemi ile İstanbul su tüketiminin modellenmesi. Politeknik Dergisi, 22(3), 755-761.
• Bodurtha Jr, J. N., Kim, D. S. ve Lee, C. M. (1995). Closed-end country funds and US market sentiment. The Review of Financial Studies, 8(3), 879-918.
• Brown, G. W. ve Cliff, M. T. (2004). Investor sentiment and the near-term stock market. Journal of Empirical Finance, 11(1), 1-27.
• Brown, S. J., Goetzmann, W. N., Hiraki, T., Shirishi, N. ve Watanabe, M. (2002). Investor sentiment in Japanese and US daily mutual fund flows (No. w9470). National Bureau of Economic Research.
• Campbell, J. Y., Grossman, S. J. ve Wang, J. (1993). Trading volume and serial correlation in stock returns. The Quarterly Journal of Economics, 108(4), 905-939.
• Canbaş, S. ve Kandır, S. Y. (2007). Yatırımcı duyarlılığının İMKB Sektör getirileri üzerindeki etkisi. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 22(2), 219-248.
• Chen, Y. (2002). Domestic investors’ herding behavior in reaction to foreign trading. In National Taiwan University College of Management, International Conference on Finance (pp. 24-25).
• Clark, J. ve Berko, E. (1997). Foreign investment fluctuations and emerging market stock returns: The case of Mexico. FRB of New York Staff Report, (24).
• Dahlquist, M. ve Robertsson, G. (2004). A note on foreigners’ trading and price effects across firms. Journal of Banking & Finance, 28(3), 615-632.
• Dash, S. R. ve Mahakud, J. (2013). Impact of investor sentiment on stock return: evidence from India. Journal of Management Research (09725814), 13(3),131-144.
• De Long, J. B., Shleifer, A., Summers, L. H. ve Waldmann, R. J. (1990). Noise trader risk in financial markets. Journal of political Economy, 98(4), 703-738.
• Ergün, Z. C. (2019). Investor Sentiment Evidence from Borsa İstanbul. Ekin Yayınevi. Ankara.
• http://www.tuik.gov.tr (Erişim Tarihi: 30.06.2019).
• https://www.borsaistanbul.com (Erişim Tarihi: 12.07.2019).
• https://www.spk.gov.tr (Erişim Tarihi: 02.07.2019).
• https://www.takasbank.com.tr/tr (Erişim Tarihi: 21.06.2019).
• Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685
• Jang, J. S. R., Sun, C. T. ve Mizutani, E. (1997). Neuro-fuzzy and soft computing-a computational approach to learning and machine intelligence [Book Review]. IEEE Transactions on automatic control, 42(10), 1482-1484.
• Jiang, Y., Mo, B. ve Nie, H. (2017). Does investor sentiment dynamically impact stock returns from different investor horizons? Evidence from the US stock market using a multi-scale method. Applied Economics Letters, 1466-4291, 1-5.
• Kahneman, D. ve Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263-292.
• Kandır, S. Y. (2006). Tüketici güveni ve hisse senedi getirileri ilişkisi: İMKB Mali sektör şirketleri üzerinde bir uygulama. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15(2), 217-230.
• Kandır, S. Y., Çerçi, G. ve Uzkaralar, Ö. (2013). Yatırımcı Duyarlılığı Temsilcileri: Yatırım Ortaklıkları İskontosu ve Tüketici Güven Endeksi Örneği. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 7(2), 55-75.
• Kaya, E. (2018). Yatırımcı duyarlılığı ve hisse senedi getirileri. Finans Politik & Ekonomik Yorumlar, 55(645), 91-112.
• Keleş, E. ve Arat, M.E. (2016). Yatırımcı duyarlılığı temsilcileri ve sermaye getirilerinin tahmini. Öneri Dergisi, 12(45), 307-326.
• Lee, C. M., Shleifer, A. ve Thaler, R. H. (1991). Investor sentiment and the closed‐end fund puzzle. The Journal of Finance, 46(1), 75-109.
• Malkiel, B. G. (1977). The valuation of closed‐end investment‐company shares. The Journal of Finance, 32(3), 847-859.
• Nash, J. E. ve Sutclıffe, J. V. (1970). River flow forecasting through conceptual models. Part 1: A discussion of principles. Journal of Hydrology, 10 (3), 282–290.
• Neal, R., ve Wheatley, S. M. (1998). Do measures of investor sentiment predict returns?. Journal of Financial and Quantitative Analysis, 33(4), 523-547.
• Paksoy, T., Pehlivan, N. Y. ve Özceylan, E. (2013). Bulanik Küme Teorisi. Nobel Yayin: Ankara.
• Ruan, Q., Yang, H., Lv, D. ve Zhang, S. (2018). Cross-correlations between individual investor sentiment and Chinese stock market return: New perspective based on MF-DCCA. Physica A: Statistical Mechanics and its Applications, 503, 243-256.
• Suparta, W. ve Alhasa, K. M. (2016). Modeling of tropospheric delays using ANFIS. Springer International Publishing, XVI, 109 (124).
• Taş, O. ve Akdağ, Ö. (2012). Trading volume trend as the investor’s sentiment indicator in Istanbul Stock Exchange. Doğuş Üniversitesi Dergisi, 13(2), 290-300.
• Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8, 338-353.
• Zhang, R., Phillis, Y. A. ve Kouikoglou, V. S. (2005). Fuzzy control of queuing systems. Springer Science & Business Media, 26.