DETERMINATION OF PRICE INTERACTIONS BETWEEN STOCKS WITH DATA MINING TECHNIQUES

Year 2020, , 106 - 112, 29.12.2020

Özkan Ünsal

https://doi.org/10.21923/jesd.834105

Cited By: 3

Abstract

Institutional markets where investors trade on stocks of publicly traded companies are generally called stock markets. The stock market, operating under the name of Borsa Istanbul (BIST) in our country, attracts the attention of investors with a daily trading volume of approximately 2.5 billion lots. Technical analysis methods are becoming increasingly important in investors' selection of stocks. Thanks to the developing software technologies and data mining techniques, successful technical analysis can be applied on the historical data of stocks. In this study, by using data mining techniques, it is aimed to reveal the relationship rules of stocks that move with each other the most according to daily price changes. For the study, closing prices, end-of-day price changes and daily volume data were obtained for 249 trading days of 408 stocks traded on BIST during the year 2019. On the data, clustering was made with K-Means method for each trading day, and then, Apriori algorithm, one of the Association Rule methods, was applied to the obtained clusters, and the relationship rules for the stocks that moved with each other the most throughout the year were obtained.

Keywords

BIST, Data Mining, Clustering, Association Rules

VERİ MADENCİLİĞİ TEKNİKLERİ İLE HİSSE SENETLERİ ARASINDAKİ FİYAT ETKİLEŞİMLERİNİN BELİRLENMESİ

Abstract

Yatırımcıların halka açık şirketlere ait hisse senetleri üzerinde alım/satım işlemlerini gerçekleştirdiği kurumsal piyasalara genel olarak borsa ismi verilmektedir. Ülkemizde Borsa İstanbul(BİST) adıyla faaliyet gösteren borsa piyasası günlük yaklaşık 2,5 milyar lotluk işlem hacmi ile yatırımcıların ilgisini çekmektedir. Yatırımcıların hisse senedi seçiminde teknik analiz yöntemleri giderek artan bir önem kazanmaktadır. Gelişen yazılım teknolojileri ve veri madenciliği teknikleri sayesinde hisse senetlerinin geçmiş verileri üzerinde başarılı teknik analizler uygulanabilmektedir. Bu çalışmada, veri madenciliği teknikleri kullanılarak günlük fiyat değişimine göre birbirleri ile en çok hareket eden hisse senetlerine ait ilişki kurallarının ortaya çıkarılması amaçlanmıştır. Çalışma için BİST’te işlem gören 408 hisse senedine ait 2019 yılı boyunca 249 işlem günü için kapanış fiyatı, gün sonu fiyat değişimi ve günlük hacim verileri elde edilmiştir. Veriler üzerinde her bir işlem günü için K-Means yöntemi ile kümeleme yapılmış ardından elde edilen kümelere Birliktelik Kuralı yöntemlerinden Apriori algoritması uygulanarak yıl boyunca birbirleri ile en çok hareket eden hisse senetlerine ait ilişki kuralları elde edilmiştir.

Keywords

BİST, Veri Madenciliği, Kümeleme, Birliktelik Kuralları

References

• Borsa İstanbul, 2020. Pay Piyasası. Çevrimiçi (Erişim, 2 Mart 2020): https://www.borsaistanbul.com/urunler-ve-piyasalar/piyasalar/pay-piyasasi
• Bozma, G., Kul, S., 2020. Twitter ile Hisse Senetleri Oynaklığı Tahmin Edilebilir mi?. Sosyoekonomi, 28(45), 315-326.
• Dener, M., Dörterler, M., Orman, A., 2009. Açık kaynak kodlu veri madenciliği programları: WEKA’da örnek uygulama. Akademik Bilisim’09 - XI. Akademik Bilisim Konferansı, Şanlıurfa, 787-796.
• Ergür, B., 2014. Borsa İstanbul (BİST) hisse fiyat değişim yönünün ilişkisel borsa ağı kullanilarak tahmin edilmesi. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Türkiye.
• Gazel, S., Akel, V., 2008. Borsa İstanbul’da sektör sınıflandırmasının kümeleme analizi ile belirlenmesi. Muhasebe ve Finansman Dergisi, 77, 147-164.
• Han, J., Kamber, M., 2006. Data Mining Concepts and Techniques, Morgan Kauffmann Publishers Inc., USA, 1-35.
• Özçakır, F.C., Çamurcu, A.Y., 2007. Birliktelik kuralı yöntemi için bir veri madenciliği yazılımı tasarımı ve uygulaması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 6(12), 21-37.
• Özekes, S., 2003. Veri madenciliği modelleri ve uygulama alanları. İstanbul Ticaret Üniversitesi Dergisi, 3, 65-82.
• Soni, S., 2011. Applications of ANNs in stock market prediction: A Survey. International Journal of Computer Science & Engineering Technology, 2(3), 71-83.
• Tekin, B., 2018. Ward, K-Ortalamalar ve iki adımlı kümeleme analizi yöntemleri ile finansal göstergeler temelinde hisse senedi tercihi. Balıkesir University The Journal of Social Sciences Institute, 21(40), 401-436.
• Ünsal, Ö., 2011. Mesleki alan seçimlerinin makine öğrenmesi algoritması kullanılarak belirlenmesi. Yüksek Lisans Tezi, Gazi Üniversitesi, Türkiye.
• Weiss, S.M., Indurkhya, N., 1998. Predictive data mining: a practical guide. Morgan Kaufmann Publications, USA.