Predicting Stock Prices Using Artificial Neural Networks Model: Turkish Airlines Application

Year 2021, , 282 - 289, 20.12.2021

Muhammed Fatih Yürük

https://doi.org/10.30518/jav.1015502

Abstract

There are different methods for estimating stocks in the literature. One of the most important of these methods is the artificial neural network method. In this study, artificial neural network method was used for the prediction of Turkish Airlines stock. In addition, time series analysis was performed with the artificial neural network method. 5 independent variables, which are important in affecting Turkish Airlines stock values, were used, and daily values between 01/04/2014-21/09/2021 were included. 5 artificial neural network models were created. The model with the best performance among these models was included. As a result of the study, for the training set in calculating the Mean Absolute Percentage Error (MAPE); For 2.18 test sets; For 2.28 validation set; 2.46 values were obtained. In the calculation of the Correlation Coefficient (CORR), 0.99 values were obtained for the training, test and validation sets. These results showed that the estimation performance of the created model is strong and can be used in stock predictions.

Keywords

YSA, Makine Öğrenmesi, Yapay Zeka, Zaman Serisi, Yapay Sinir Ağları

Yapay Sinir Ağları ile Hisse Senedi Fiyat Tahmin Modeli: Türk Hava Yolları Uygulaması

Abstract

Literatürde hisse senetleri tahmini için farklı metodlar yer almaktadır. Bu metodların en önemlilerinden biri de yapay sinir ağları yöntemidir. Bu çalışmada Türk Hava Yoları hisse senedinin tahmini için yapay sinir ağları metodu kullanılmıştır. Ayrıca çalışmada yapay sinir ağları yöntemi ile zaman seri analizi yapılmıştır. Türk Hava Yolları hisse senedi değerlerini etkilemede önemli olan 5 bağımsız değişken kullanılmış olup, 01/04/2014-21/09/2021 tarihleri arasındaki günlük değerler çalışma kapsamına alınmıştır. Çalışmada 5 yapay sinir ağı modeli oluşturulmuştur. Bu modeller içinde en iyi performansı gösteren model çalışma kapsamına alınmıştır. Çalışma sonucunda Ortalama Mutlak Yüzde Hatanın (MAPE) hesaplanmasında eğitim seti için; 2,18 test seti için; 2,28 onaylama seti için; 2,46 değerleri elde edilmiştir. Korelasyon Katsayısının (CORR) hesaplanmasında ise eğitim, test ve onaylama setleri için 0,99 değerleri elde edilmiştir. Bu sonuçlar oluşturulan modelin tahminleme performansının güçlü olduğunu ve hisse senet tahminlerinde kullanabileceğini göstermiştir.

Keywords

YSA, Makine Öğrenmesi, Yapay Zeka, Zaman Serisi, Yapay Sinir Ağları

References

• 1. "Havayolu Uçak Filosu İstatistikleri", http://web.shgm.gov.tr/tr/kurumsal/4547-istatistikler. [Erişim Tarihi: 10-Eylül-2021].
• 2. Çinaroğlu, E.,T. Avci, "THY Hisse Senedi Değerinin Yapay Sinir Ağları İle Kestirimi", Ataturk Üniversitesi Journal of Economics & Administrative Sciences, 2021.
• 3. "Borsa şirketlerinin piyasa değeri", https://www.ekonomist.com.tr/borsa/borsa-sirketlerinin-piyasa-degeri.html, [Erişim Tarihi: 10-Ekim-2021].
• 4. Nalbantli, G. "PD/DD oranını kullanarak portföy oluşturma", https://bigpara.hurriyet.com.tr/bigpara-yazarlari/gizmen-nalbantli/pddd-oranini-kullanarak-portfoy-olusturma_ID985729/, [Erişim Tarihi: 15-Eylül-2021].
• 5. Kutlu, B., B. Badur, "Yapay Sinir Ağlari İle Borsa Endeksi Tahmini", Yönetim Dergisi, 45-40. 2009.
• 6. Karakul, A.K., "Yapay Sinir Ağlari İle Borsa Endeksi Tahmini", Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 497-509,2020.
• 7. Diler, A.İ., "İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağlari Hata Geriye Yayma Yöntemi İle Tahmin Edilmesi. Türkiye’de Bankalar, Sermaye Piyasasi Ve Ekonomik Büyüme: Koentegrasyon Ve Nedensellik Analizi (1989-2000)",81, 2003.
• 8. Kaynar, O., S. Taştan, "Zaman Serisianalizinde Mlp Yapay Sinir Ağlari Ve Arima Modelinin Karşilaştirilmasi", Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 161-172,2009.
• 9. Yakut, E. , S., "Yavuz, Yapay Sinir Ağlari Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmin", Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 139-157,2014.
• 10. Akdağ, M. , V. Yiğit "Box-Jenkins Ve Yapay Sinir Aği Modelleri İle Enflasyon Tahmini", Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi,2016.
• 11. Yürük, M.F., "Altın Fiyatlarının Yapay Sinir Ağları ile Tahmin Edilmesi, Teorik Ve Ampirik Perspektifte Seçilmiş Finans Konulari, E. Gemici, Editor. 2019, Nobel Kitap: Ankara. p. 215.
• 12. Yüksel, R. ,S. Akkoç, "Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. Doğuş Üniversitesi Dergisi, 39-50,2016.
• 13. Uğur, A. , A.C. Kınacı, "Yapay zeka teknikleri ve yapay sinir ağları kullanılarak web sayfalarının sınıflandırılması", XI. Türkiye'de İnternet Konferansı (inet-tr'06), Ankara, , 1-4, 2006
• 14. Ercan, Ö., "Yapay Sinir Ağları" İstanbul, Papatya Bilim, 52-53,2016.
• 15. Lewis, C.D., "Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting", Butterworth-Heinemann,1982.