LSTM Modeli İle Volatilite Temelli Borsa Tahmini

Year 2024, Volume: 6 Issue: 2, 48 - 61, 23.12.2024

Lütfiye Sönmez , Mihriban Coşkun Arslan

Abstract

Finansal piyasalarda yaşanan dalgalanmalar ve küresel ekonomik belirsizlikler, finansal kurumların ve yatırımcıların doğru ve güvenilir piyasa tahminlerine olan ihtiyacını artırmıştır. Özellikle borsa endeksinin karmaşık yapısı ve artan oynaklığı, geleneksel tahmin yöntemlerinin yetersiz kalmasına neden olmuştur. Bu durum ise daha gelişmiş ve esnek tahmin modellerinin gelişimini zorunlu kılmıştır. Bu kapsamda derin öğrenme modelleri, özellikle LSTM (Uzun Kısa Süreli Bellek) ağları, zaman serisi verilerindeki uzun vadeli ilişkileri başarılı bir şekilde modelleyerek borsa endeks tahmininde öne çıkmayı başarmıştır. Bu çalışmanın amacı, Borsa İstanbul’da işlem gören (BIST) 100 ve Frankfurt Menkul Kıymetler Borsasında işlem gören Deutscher Aktienindex (DAX) endekslerini tahmin etmek için VIX, OVX, EVZ ve GVZ oynaklık endekslerini girdi değişkeni olarak kullanarak bir Uzun Kısa Süreli Bellek (LSTM) modelinin tahmin performansını değerlendirmektir. Analizde kullanılan veri seti 30.01.2012- 26.06.2024 dönemine ait BIST 100, DAX endeksleriyle VIX, OVX, EVZ, GVZ oynaklık endekslerini içermektedir. LSTM modeli, uzun dönem bağımlılıkları modelleyebilme kabiliyeti ve yüksek tahmin doğruluğu nedeniyle tercih edilmiştir. Sonuçlar, LSTM modelinin her iki endeks için de yüksek doğrulukla tahminler yaptığını göstermektedir. BIST 100 için RMSE, MAE, MAPE ve R² değerleri sırasıyla 0.0151, 0.0076, 0.04 ve 0.9948, DAX için ise 0.0273, 0.0193, 0.02 ve 0.9843 olarak bulunmuştur. Bu bulgular, modelin yatırım stratejileri ve risk yönetimi için değerli bir araç olabileceğini göstermektedir. Çalışma, LSTM modelinin farklı piyasa dinamiklerine sahip endekslerde başarılı tahminler yapabildiğini ortaya koymakta ve gelecekteki finansal tahmin çalışmaları için güçlü bir temel sunmaktadır.

Keywords

Uzun Kısa Süreli Bellek (LSTM), BIST 100, DAX, Volatilite Endeksleri

Volatility-Based Stock Market Forecasting with LSTM Model

Abstract

References

• Akbulut, S., & Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 1-1.
• Akcan, A., & Kartal, C. (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini. Muhasebe ve Finansman Dergisi, (51), 27-40.
• Anish, C. M. & Majhi, B. (2016). Hybrid Nonlinear Adaptive Scheme for Stock Market Prediction Using Feedback FLANN and Factor Analysis. Journal of the Korean Statistical Society, 45(1), 64-76.
• Aygören, H., Saritaş, H., & Morali, T. (2012). İMKB 100 Endeksinin Yapay Sinir Ağları ve Newton Nümerik Arama Modelleri ile Tahmini. Journal of Alanya Faculty of Business/Alanya Isletme Fakültesi Dergisi, 4(1).
• Bao, W., Yue, J., & Rao, Y. (2017). A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PloS one, 12(7), e0180944.
• Bhandari, H. N., Rimal, B., Pokhrel, N. R., Rimal, R., Dahal, K. R., & Khatri, R. K. (2022). Predicting stock market index using LSTM. Machine Learning with Applications, 9, 100320
• C. Olah, “Understanding lstm networks,” (2015).
• 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.
• Chen, Y., Wu, J., & Bu, H. (2018). Stock market embedding and prediction: A deep learning method. In 2018 15th International Conference on Service Systems and Service Management (ICSSSM) (pp. 1-6). IEEE.
• Çalışkan, Mmt ve Deniz, D. (2015). Yapay Sinir Ağlarıyla Hisse Senedi Kodları ve Yönlerinin Tahmini. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 10 (3), 177-194.
• Çetin, D. T., & Metlek, S. (2021). Türkiye’deki İslami hisse senedi endeksinin, endeks tabanlı öznitelikler kullanılarak derin öğrenme yöntemi ile tahmini. Acta Infologica, 5(2), 287-298.
• Çınaroğlu, E., & Avcı, T. (2020). THY Hisse Senedi Değerinin Yapay Sinir Ağları İle Kestirimi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34 (1).
• Dalkıran, İ., & Ozan, M. (2022). Derin Öğrenme Teknikleri Kullanılarak Borsadaki Hisse Değerlerinin Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, (39), 143-148.
• Dayı, F. (2018). Hisse Senedi Getirilerinin Tahmininde Yapay Sinir Ağı Modeli Kullanımı: İMKB’de Bir Uygulama. Akademik Araştırmalar ve Çalışmalar Dergisi (AKAD), 10(19), 572-592.
• Diler, A. I. (2003). Forecasting the Direction of the ISE National-100 Index By Neural Networks Backpropagation Algorithm. Istanbul Stock Exchange Review, 7(25-26), 65-82.
• Dingli, A., & Fournier, K. S. (2017). Financial time series forecasting–a deep learning approach. International Journal of Machine Learning and Computing, 7(5), 118-122.
• Dunis, C. L., Rosillo, R., De La Fuente, D. & Pino, R. (2013). Forecasting IBEX-35 Moves Using Support Vector Machines. Neural Computing and Applications, 23(1), 229-236.
• Emir, Ş. (2013). Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemlerinin Sınıflandırma Performanslarının Karşılaştırılması: Borsa Endeks Yönünün Tahmini Üzerine Bir Uygulama. (Yayınlanmamış Doktora Tezi). İstanbul Üniversitesi, İstanbul.
• Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European journal of operational research, 270(2), 654-669.
• Ghosh, A., Bose, S., Maji, G., Debnath, N., & Sen, S. (2019). Stock price prediction using LSTM on Indian share market. In Proceedings of 32nd international conference on (Vol. 63, pp. 101-110).
• Gündüz, H. (2019). Derin Öğrenme Yöntemleri ile Zaman Serisi Tahmini (Doktora Tezi. İstanbul Teknik Üniversitesi, İstanbul).
• Gürbüz, A. (2024). BIST 100 ve Katılım 50 Endekslerinin Döviz Kuru, CDS Risk Primi, CBOE Oynaklık Endeksi (VIX) ve Petrol Fiyatları Arasındaki İlişkinin İncelenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Sosyal Bilimler Dergisi, 21(2), 769-782.
• Hasan, A. (2020). Derin Öğrenme ve Makine Öğrenmesi Yöntemleriyle Borsa Alım Satım Davranışlarının Modellenmesi. İstanbul: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Doktora Tezi.
• Hochreiter, S. ve Schmidhuber, J. ”Long Short-Term Memory” Neural Computation, pp. 1735-1780, 1997.
• Hsieh, T. J., Hsiao, H. F., & Yeh, W. C. (2011). Forecasting stock markets using wavelet transforms and recurrent neural networks: An integrated system based on artificial bee colony algorithm. Applied soft computing, 11(2), 2510-2525.
• Kantar, L. (2020). Bist 100 Endeksinin Yapay Sinir Ağları Ve Arma Modeli İle Tahmini. Muhasebe ve Finans İncelemeleri Dergisi, 3(2), 121-131.
• Kara, Y., Acar Boyacioglu, M., VE Baykan, Ö. K. (2011). Predicting Direction of Stock Price Index Movement Using Artificial Neural Networks and Support Vector Machines: The Sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38(5), 5311–5319.
• Kara, İ. (2019). Borsa Endeksi Hareket Yönünün Tahmininde Sınıflandırma Yöntemlerinin Performanslarının Karşılaştırılması: Bist 100 Örneği.
• Karymshakov, K & Abdykaparov, Y (2012). ‘Forecasting Stock Index Movement with Artifıcial Neural Networks: The Case of Istanbul Stock Exchange’, Trakya Üniversitesi Sosyal Bilimler Dergisi, vol. 14, no. 2, pp. 231-242.
• Kim, H. Y., & Won, C. H. (2018). Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Systems with Applications, 103, 25-37.
• Kim, K. J. (2003). Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 55(1-2), 307-319
• 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
• Kutlu, B., & Badur, B. (2009). Yapay Sinir Ağları İle Borsa Endeksi Tahmini. Yönetim Dergisi, 20(63), 45-40.
• Lee, C. Y., & Soo, V. W. (2017). Predict stock price with financial news based on recurrent convolutional neural networks. In 2017 conference on technologies and applications of artificial intelligence (TAAI) (pp. 160-165). IEEE.
• Lu, C. J. (2010). Integrating Independent Component Analysis-Based Denoising Scheme with Neural Network for Stock Price Prediction. Expert Systems with Applications, 37(10), 7056-7064.
• Pabuçcu, H. (2019). Borsa Endeksi Hareketlerinin Makine Öğrenme Algoritmaları İle Tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (23), 179-190.
• Rout, A. K., Dash, P. K., Dash, R., & Bisoi, R. (2017). Forecasting financial time series using a low complexity recurrent neural network and evolutionary learning approach. Journal of King Saud University-Computer and Information Sciences, 29(4), 536-552.
• S. Hochreiter ve J. Schmidhuber, Long Short-Term Memory, Neural Computation, pp. 1735-1780, (1997).
• Sakarya, Ş., & Yılmaz, Ü. (2019). Derin öğrenme yöntemiyle bist30 indeksinin tahmini. Avrupa Eğitim ve Sosyal Bilimler Dergisi, 4 (2), 106-121.
• 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.
• Shah, D., Campbell, W., & Zulkernine, F. H. (2018). A comparative study of LSTM and DNN for stock market forecasting. In 2018 IEEE international conference on big data (big data) (pp. 4148-4155). IEEE.
• Siddiqui, TA & Abdullah, Y (2015). ‘Developing A Nonlinear Model to Predict Stock Prices In India: An Artificial Neural Networks Approach’, The IUP Journal of Applied Finance, vol. 21, no. 3, pp. 36-49.
• Sönmez, O. (2023). Yinelemeli sinir ağlarında çok değişkenli zaman serisi analizi yöntemleri ile süt sığırcılığı üreme süreç yönetimi (Multivariate time series analysis with recurrent neural networks for dairy cattle breeding management) (Doctoral dissertation, Tokat Gaziosmanpaşa University, Turkey).
• Taş, A. İ., Gülüm, P., & Tulum, G. (2021). Finansal piyasalarda hisse fiyatlarının derin öğrenme ve yapay sinir ağı yöntemleri ile tahmin edilmesi; S&P 500 Endeksi Örneği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(3), 446-460.
• Tektaş, A., & Karataş, A. (2004). Yapay sinir ağlari ve finans alanina uygulanmasi: Hisse senedi fiyat tahminlemesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(3-4).
• Telli, Ş. & Coşkun, M. (2016). Forecasting The BIST 100 Index Using Artificial Neural Networks With Consideration Of The Economic Calendar. International Review of Economics and Management, 4(3), 26-46.
• Toraman, C. (2008). Demir-Çelik Sektöründe Yapay Sinir Ağları İle Hisse Senedi Fiyat Tahmini: Erdemir AŞ ve Kardemir AŞ Üzerine Bir Tahmin Uygulaması. Muhasebe ve Finansman Dergisi, (39), 44-57.
• Wang, S. & Shang, W. (2014). Forecasting Direction of China Security Index 300 Movement with Least Squares Support Vector Machine. Procedia Computer Science, 31, 869-874.
• Widegren, P. (2017). Deep learning-based forecasting of financial assets.
• Yakut, E., Elmas, B. & Yavuz, S. (2014). Yapay Sinir Ağlari Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157.
• Yan, H., & Ouyang, H. (2018). Financial time series prediction based on deep learning. Wireless Personal Communications, 102, 683-700.
• Yu, L., Wang, S. & Lai, K. K. (2005). Mining Stock Market Tendency Using GA-Based Support Vector Machines. In International Workshop on Internet and Network Economics, 336-345. Springer, Berlin, Heidelberg.