Predicting Stock-Exchange Indexes by Using Support Vector Machines

Year 2020, , 1394 - 1418, 30.06.2020

Cem Kartal

https://doi.org/10.15869/itobiad.673015

Cited By: 3

Abstract

Support Vector Machines (SVM) is one of the most popular machine learning algorithms. In this study, it is aimed to use SVM, which is one of the leading stock indices of the world together with BIST100 index and a machine learning technique in the classification of return directions of S&P 500, DAX and NIKKEI 225 indices. Besides, it is aimed to reveal the estimation (classification) performances of these techniques. For this purpose, SVMs have been used to model the “upward” and “downward” trends of stock market indices. In addition, the effects of macroeconomic variables on stock market indices are analysed. The data set of the study includes 82 observational values of dependent and independent variables monthly between 01.01.2013- 30.11.2019. 70 (85%) of these observation values are used for modelling (training) and 12 (15%) for classification (test). As a result of the study, it is found that the model shows success in upward forecasts, but it does not show the same success in downward forecasts.

Keywords

Machine Learning, Support Vector Machines, Investment Decisions, Financial Forecasting, Classification, Investment Decisions

Destek Vektör Makineleri ile Borsa Endekslerinin Tahmini

Abstract

Destek Vektör Makineleri (DVM) en popüler makine öğrenme algoritmalarından birisidir. Bu çalışmada BIST100 endeksi ile birlikte dünyanın önde gelen borsa endekslerinden S&P 500, DAX ve NIKKEI 225 endekslerinin getiri yönlerinin sınıflandırılmasında bir makine öğrenme tekniği olan DVM’lerin kullanılması ve bu tekniklerin tahmin (sınıflandırma) performanslarının ortaya konulması amaçlanmıştır. Bu amaçla DVM’ler, borsa endekslerinin “yükseliş” ve “düşüş” trendlerinin modellenmesinde kullanılmıştır. Ayrıca çalışmada, makroekonomik değişkenlerin borsa endekslerine olan etkileri analiz edilmiştir. Çalışmanın veri seti, bağımlı ve bağımsız değişkenlerin 01.01.2013 – 30.11.2019 dönemleri arasındaki aylık olarak 82 adet gözlem değerini içermektedir. Bu gözlem değerlerinin 70 adedi (%85’i) algoritmanın modellenmesi (eğitim) için, 12 adedi (%15’i) ise sınıflandırma (test) için kullanılmıştır. Çalışma sonucunda modelin yükseliş yönlü tahminlerde sınıflandırma başarısının iyi olduğu, ancak düşüş yönlü tahminlerinde aynı başarıyı göstermediği ortaya çıkmıştır.

Keywords

Makine Öğrenmesi, Sınıflandırma, Destek Vektör Makineleri, Yatırım Kararları, Finansal Tahmin

References

• Ahn, J. J., Oh, K. J., Kim, T. Y., & Kim, D. H. (2011). Usefulness of Support Vector Machine to Develop An Early Warning System for Financial Crisis. Expert Systems with Applications, 38(4), 2966-2973.
• Altınırmak, S., & Karamaşa, Ç. (2016). Bankaların Finansal Başarısızlıklarının İncelenmesinde Makine Öğrenme Tekniklerinin Karşılaştırılması. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 19(36), 291-304.
• Apaydın, E. (2014). Introduction to Machine Learning. Third Edition, The MIT Press Cambridge, Massachusetts London, England.
• Ayhan, S., & Erdoğmuş, Ş. (2014). Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
• Bayramoğlu, A.T., & Başarır, Ç. (2019). Blockchain Economics and Financial Market Innovation Financial Innovations in the Digital Age: The Linkage Between Cryptocurrencies and Macro-Financial Parameters: A Data Mining Approach. Springer Nature Switzerland, 249-269.
• Basarir, C., & Bayramoglu, M. F. (2018). Global Approaches in Financial Economics, Banking, and Finance: Global Macroeconomic Determinants of the Domestic Commodity Derivatives. Springer, Cham, 331-349.
• Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug Design by Machines Learning: Support Vector Machines for Pharmaceutical Data Analysis. Computer and Chemistry 26, 5–14.
• Cao, L. J. (2003). Support Vector Machines Experts for Time Series Forecasting. Neurocomputing, 51, 321–339.
• https://www.investing.com, (Erişim Tarihi: 15.12.2019).
• Hua, Z., Wang, Y., Xu, X., Zhang, B., & Liang, L. (2007). Predicting Corporate Financial Distress Based on Integration of Support Vector Machine and Logistic Regression. Expert Systems with Applications, 33(2), 434-440.
• Huang, W., Nakamori, Y., & Wang, S. Y. (2005). Forecasting Stock Market Movement Direction with Support Vector Machine. Computersand Operations Research, 32(10), 2513-2522.
• Jordan, M., Kleinberg, J., & Scholkopf, B. (2008). Support Vector Machines. Information Science and Statistics. New York: Springer.
• Karagül, K. (2014). İstanbul Menkul Kıymetler Borsası'nda İşlem Gören Firmaların Destek Vektör Makineleri Kullanılarak Sınıflandırılması. Pamukkale University Journal of Engineering Sciences. 20(6), 174-178.
• Kim, K. J. (2003). Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 55(1-2), 307-319.
• Lin, C. F., & Wang, S. D. (2002). Fuzzy Support Vector Machines. IEEE Transactions on Neural Networks, 13(2), 464-471.
• Lu, C. J., Lee, T. S., & Chiu, C. C. (2009). Financial Time Series Forecasting Using Independent Component Analysis and Support Vector Regression. Decision Support Systems, 47(2), 115-125.
• Min, J. H., & Lee, Y. C. (2005). Bankruptcy Prediction Using Support Vector Machine with Optimal Choice of Kernel Function Parameters. Expert Systems with Applications, 28(4), 603-614.
• Min, S. H., Lee, J., & Han, I. (2006). Hybrid Genetic Algorithms and Support Vector Machines For Bankruptcy Prediction. Expert Systems With Applications, 31(3), 652-660.
• Mohammed, M., Khan, M. B., & B., E. B. M. (2017). Machine Learning Algorithms and Applications. Taylor & Francis Group, FL., U.S.A.
• MSCI, 2019a, https://www.msci.com/acwi, (Erişim Tarihi: 15.12.2019).
• MSCI, 2019b, https://www.msci.com/developed-markets, (Erişim Tarihi: 15.12. 2019).
• MSCI, 2019c, https://www.msci.com/developed-markets, (Erişim Tarihi: 15.12. 2019).
• Negnevitsky, M., (2005). Artificial Intelligence: A Guide to Intelligent Systems. 2nd Ed., London: Pearson Education Limited.
• Öğüt, H., Aktaş, R., Alp, A., & Doğanay, M. M. (2009). Prediction of Financial İnformation Manipulation By Using Support Vector Machine And Probabilistic Neural Network. Expert Systems with Applications, 36(3), 5419-5423.
• Özdemir, A. K., Tolun, S., & Demirci, E. (2011). Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği. Niğde Üniversitesi İİBF Dergisi, 4 (2), 45-59.
• Suykens, J. A., & Vandewalle, J. (1999). Least Squares Support Vector Machine Classifiers. Neural processing letters, 9(3), 293-300.
• Vapnik, V. (1998). Statistical Learning Theory. New York: Springer.
• Yakut, E., Elmas, B. ve Yavuz, S. (2014). Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157.
• Yürük, M., F. & Ekşi, İ. H. (2019). Yapay Zeka Yöntemleri ile İşletmelerin Finansal Başarısızlığının Tahmin Edilmesi: BİST İmalat Sektörü Uygulaması. Mukaddime, 10(1), 393-422.