YALIN SİNİRSEL BULANIK BİR MODEL İLE İMKB 100 ENDEKSİ TAHMİNİ

Yıl 2011, Cilt: 26 Sayı: 4, 0 - , 20.02.2013

Yeşim Ok Mehmet Atak M. Ali Akçayol

Öz

Bu çalışmada, İstanbul Menkul Kıymetler Borsası (İMKB) Ulusal 100 Endeksinin öngörülebilirliği geriye dönükolarak Adaptif Sinirsel Bulanık Çıkarım Sistemi (Adaptive Neuro Fuzzy Inference System - ANFIS) kullanılarakkurulan modeller ile test edilmiştir. Ayrıca endeksin tahmini için kullanılan girdilerin modele katkıları da tahminperformansı esas alınarak değerlendirilmiştir. Başarılı borsa tahmininde en önemli unsur, en az sayıda girdi ve enaz karmaşık model ile en iyi sonucun elde edilebilmesidir. Bu bağlamda bu çalışmada çok fazla girdi değişkenikullanılmasına gerek duyulmadan, İMKB 100 endeksinin ANFIS ile ne derece tutarlı tahmin edilebileceğigösterilmek istenmiştir. Bu amaçla, analiz dönemi olarak yaklaşık dört buçuk yıllık bir süre seçilmiş; iki girdili(dolar kuru ve gecelik faiz oranı) ve üç girdili (dolar kuru, gecelik faiz oranı ve işlem hacmi) olmak üzere ikifarklı model kurulmuştur. ANFIS kullanılarak her iki model ile de belirleyicilik katsayısı yüksek olan,dolayısıyla tutarlı tahmin sonuçları elde edilmiştir. Elde edilen deneysel sonuçlar, ANFIS ile yalnızca iki girdideğişkeni kullanılarak, karmaşık bir modele gereksinim duyulmadan, İMKB 100 Endeksinin kısa dönemdeöngörülebilir olduğunu göstermiştir.

Anahtar Kelimeler

İMKB 100 Endeksi tahmini, ANFIS, sinirsel bulanık sistemler

Kaynakça

• Kutlu, B., Badur, B., “Yapay Sinir Ağları İle
• Borsa Endeksi Tahmini”, Yönetim, 63:25-40,
• (2009)
• İşeri, M., Çağlar, H., Çağlar N., “A model
• proposal for the chaotic structure of Istanbul stock
• exchange”, Chaos, Solitons and Fractals
• :1392–1398, 2008.
• Murphy, J.J, “Technical Analysis of the
• Financial Markets: A Comprehensive Guide to
• Trading Methods and Applications” New York
• Institute of Finance, 1999.
• Diler, A. İ., “İMKB Ulusal 100 Endeksinin
• Yönünün Yapay Sinir Ağları: Hata Geriye Yayma
• Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi,
• :65–81, 2003.
• Yumlu, S., Gürgen, F., Okay, N., “A Comparison
• of Global,Recurrent and Smoothed-Piecewise
• Neural Models for Istanbul Stock Exchange
• Prediction”, Pattern Recognition Letters,
• :2903- 2103, 2004.
• Altay, E., Satman, M. H., “Stock Market
• Forecasting: Artificial Neural Networks and Linear
• Regression Comparison in an Emerging Market”,
• Journal of Financial Management and Analysis,
• (2):18-33, 2005.
• Karaatlı, M., Güngör, İ., Demir Y. Kalaycı, Ş.,
• “Hisse Senedi Fiyat Hareketlerinin Yapay Sinir
• Ağları Yöntemi ile Tahmin Edilmesi”, Balıkesir
• Üniversitesi İİBF Dergisi, 2(1), 22–48, 2005.
• Karaçor, Z., Alptekin, V. “Finansal Krizlerin
• Önceden Tahmin Yoluyla Değerlendirilmesi:
• Türkiye Örneği”, Yönetim ve Ekonomi, 13 (2),
• -256, 2006.
• Avcı, E., “Forecasting daily and sessional returns
• of the ISE-100 index with neural network models”,
• Journal of Dogus University, 8(2):128–142, 2007.
• Hamzaçebi, C., Bayramoğlu, M. F., “Yapay
• Sinir Ağları ile İMKB 100 Endeksinin Tahmini”,
• YAEM 27.Ulusal Kongresi, Dokuz Eylül
• Üniversitesi Mühendislik Fakültesi Endüstri
• Mühendisliği Bölümü ve Yöneylem Araştırması
• Derneği, 2007.
• Yıldız, B., Yalama A., Coşkun M., “Forecasting
• the Istanbul Stock Exchange National 100 Index
• Using an Artificial Neural Network”, World
• Academy of Science, Engineering and
• Technology 46:36-39, 2008.
• Öğüt, H., Doğanay M. , Aktaş,R., “Detecting
• stock-price manipulation in an emerging market:
• The case of Turkey”, Expert Systems with
• Applications 36 :11944–11949, 2009.
• Quek, C. Predicting the impact of anticipator
• action on US stock market – An event study using
• ANFIS (a neural fuzzy model). Computational
• Intelligence, 23, 117–141, 2005.
• Trinkle, B. S., “Forecasting annual excess stock
• returns via an adaptive network-based fuzzy
• inference system”, Intelligent Systems in
• Accounting, Finance and Management, 13(3),
• –177, 2006.
• Atsalakis, G., Valavanis, K., “Forecasting stock
• market short-term trends using a neuro-fuzzy based
• methodology” Expert Systems with Applications,
• (3) : 10696–10707, 2009.
• Akbar E., Werya A. , “Adapted Neuro-Fuzzy
• Inference System on indirect approach TSK fuzzy
• rule base for stock market analysis”,Expert
• Systems with Applications 37:4742–4748, 2010.
• Boyacioglu, M., A., Avci, D., “An Adaptive
• Network-Based Fuzzy Inference System (ANFIS)
• for the prediction of stock market return: The case
• of the Istanbul Stock Exchange” , Expert Systems
• with Applications 37 : 7908–7912, 2010.
• Atsalakis G., Valavanis K., “Surveying stock
• market forecasting techniques – Part II: Soft
• computing methods”, Expert Systems with
• Applications 36(3) : 5932–5941 2009.
• Baykal, N., Beyan T., “Bulanık mantık uzman
• sistemler ve denetleyiciler”, Bıçaklar Kitabevi,
• Ankara 2004.
• Abraham, A., “Neuro-fuzzy systems: state-ofthe-
• art modeling techniques, connectionist models
• of neurons, learning processes and artificial
• intelligence”, Lecture Notes in Computer
• Science, 2084: 269-276, 2001.
• Takagi, T., Sugeno, M., “Fuzzy identification of
• systems and its applications to modelling and
• control”, IEEE Transactions on Systems, Man,
• and Cybernetics, 15: 116–132, 1985.
• Jang, J. S. R., “ANFIS: Adaptive-network
• based fuzzy inference systems”, IEEE Trans. On
• Systems, Man, and Cybernetics, 23 (03): 665-
• , 1993.
• Demuth, H., Beale, M., “Anfis and the ANFIS
• Editor GUI” Fuzzy logic toolbox for use with MATLAB, User’s Guide Version 4, 2:104-130,
• MA, 2000.
• Izumi, K., & Ueda, KAnalysis of exchange rate
• scenarios using an artificial market approach.
• Proceedings of the international conference on
• artificial intelligence, 2:360–366, 1999.
• Akel, V., Bayramoğlu, M., F., “Kriz
• Dönemlerinde Yapay Sinir Ağlari ile Finansal
• Öngörüde Bulunma: İmkb 100 Endeksi Örneği”,
• International Symposium on International
• Capital Flows and Emerging Markets, Balıkesir,
• -