FORECASTING STOCK MARKET INDEX WITH ARTIFICIAL NEURAL NETWORKS - YAPAY SİNİR AĞLARI İLE BORSA ENDEKSİ TAHMİNİ

Year 2020, Volume: 7 Issue: 2, 497 - 509, 30.07.2020

Aygülen Kayahan Karakul

https://doi.org/10.30798/makuiibf.721866

Abstract

The aim of this research is to apply the Artificial Neural Networks in finance problems as well as to model the relationships between variables that effect the Stock Market of Turkey. The relationship between BIST-100 index, Overnight Interest Rates and Exchange Rate of Dollar modelled by using feed-forward back propogation Multilayer Perceptron(MLP) of Artificial Neural Networks and BIST-100 index value is estimated. The data is taken from Turkish Republic Central Bank Electronic Data Distribution system. 2511 data between 4 January 2010 and 7 January 2020 of working days has been used. The % 90 of data set is used for training, % 10 is used for testing. MATLAB 2020a is used for analysis. Many training, activation and transfer functions under many architectures are used to establish the most robust model. The performance is measured by the regression relationship between the exact values and estimated values. The forecasting performance of simulation of networks on test data is measured by Mean Absolute Percentage Error-MAPE which shows the deviation of estimated values from real values as percentage. According to the results the best performed neural network that models the relationship between variables has 2 hidden layers, with 10 neurons in each hidden layer and has the architecture 2-10-10-1.

Keywords

Artificial Intelligence, Artificial Neural Networks, Stock Market-BIST-100 Index

YAPAY SİNİR AĞLARI İLE BORSA ENDEKSİ TAHMİNİ - FORECASTING STOCK MARKET INDEX WITH ARTIFICIAL NEURAL NETWORKS

Abstract

Bu çalışmanın amacı Yapay Sinir Ağları’nın finans alanındaki tahmin problemlerine uygulanabilirliğinin gösterilmesi aynı zamanda da Borsa İstanbul (BIST)-100 Endeksini etkileyen değişkenler arasındaki ilişkilerin modellenmesidir. Çalışmada BIST-100 Endeksi, Gecelik Faiz Oranları ve Dolar Kuru arasındaki ilişkiler Yapay Sinir Ağlarından ileri beslemeli, geriye yayılımlı Çok Katmanlı Algılayıcı (Multi-Layered Perceptron-MLP) kullanılarak modellenmiş ve BIST-100 Endeks değeri tahmin edilmiştir. Çalışmada 4 Ocak 2010 ile 7 Ocak 2020 arasındaki 2511 iş gününe ait veriler Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sisteminden alınmıştır. Veri setinin % 90’ı eğitim , % 10’u test verileri olarak ayrılmış ve MATLAB 2020a ile veriler analiz edilmiştir. Çeşitli eğitim, aktivasyon ve transfer fonksiyonları arasından en uygun olanları veri seti üzerinde yapılan denemeler ile belirlenmiş, sonrasında çeşitli mimarideki modeller kurulmuş; modellerin tahmin başarıları, tahmin değerler ile gerçek veriler arasındaki regresyon ilişkisi ile belirlenmiştir. Kurulan modeller ile eğitilen ağların test verileri üzerindeki simülasyonu sonrasında modellerin performansları tahmin değerlerin gerçek değerlerden sapmasını yüzde olarak veren Ortalama Mutlak Yüzde Hata (Mean Absolute Percentage Error-MAPE) değeri kullanılarak yapılmıştır. Elde edilen sonuçlara göre değişkenler arasındaki ilişkileri modelleyen ve en iyi performansı gösteren ağ, mimarisi 2-10-10-1 olan iki gizli katmanlı, her gizli katmanında 10’ar nöronu olan ağdır.

Keywords

Yapay Zekâ, Yapay Sinir Ağları, BIST-100 Endeksi

References

• Akcan, A. ve Kartal, C. (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini. Muhasebe ve Finansman Dergisi. Temmuz. (27-40).
• Çalışkan, M.M.T, Deniz, D. (2015). Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, Aralık,10(3),(177-194).
• Dorofki, M., Elshafie, A.H., Jaafar, O., Karim, O.A. Mastura, S. (2012). Comparison of Artificial Neural Network Transfer Functions Abilities to Simulate Extreme Runoff Data. International Conference on Environment, Energy and Biotechnology IPCBEE vol.33 Press, Singapore.
• EVDS (2019). Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sistemi. https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket/collapse_1/5854/DataGroup/turkish/bie_mkbrgn/ Adresinden 08.01. 2020 tarihinde alınmıştır.
• Ghiassi, M., & Saindane, H. (2005). A Dynamic Architecture for Artificial Neural Networks. Neurocomputing, 63, (397–413).
• Güresen, E., Kayakutlu, G. ve Daim, T.U.(2011).Using Artificial Neural Network Models in Stock Market Index Prediction. Expert Systems with Applications. 38. (10389-10397).
• Haykın, S. (2009). Neural Networks and Learning Machines. Third Edition. Boston: Pearson International Edition. Kattan, A., Abdullah, R., & Geem, Z.W. (2011). Artificial Neural Network Training and Software Implementation. Newyork: Nova Science.
• Kutlu, B. ve Badur, B. (2009). Yapay Sinir Ağları ile Borsa Endeksi Tahmini. Yönetim. Yıl: 20, Sayı: 63.(25-40).
• Laurakis, M.I.A. (2005). A Brief Description of Levenberg - Marquard Algorithm implemented by Levmar.Foundation of Research and Technology, (1-6).
• Merh, N., Saxena, V.P. ve Pardasani, K.R. (2011). Next Day Stock Market Forecasting: An Application of ANN and ARIMA. The IUP Journal of Applied Finance, Vol. 17, No. 1. (70-84).
• Moghaddam, A.H., Moghaddam, M.H., Esfandyari, M. (2016). Stock Market Index Prediction Using Artificial Neural Network. Journal of Economics, Finance and Administrative Sciences. 21. (89-93).
• Mukkamala, S., Sung, A.H. ve Abraham, A. (2003). Intrusion Detection Using Ensembe of Soft Computing Paradigms. (Ed: A. Abraham, K. Franke ve M. Köppen). Intelligent System Design and Application İçinde. (239-250). New York: Springer. Nabiyev, V. (2016). Yapay Zeka. Stratejili Oyunlar, Örüntü Tanıma, Doğal Dil İşleme. Genişletilmiş 5. Baskı. Ankara: Seçkin Yayıncılık.
• Roh, T. H. (2007). Forecasting the Volatility of Stock Price Index. Expert Systems with Applications, 33, (916–922).
• Shanmuganathan, S. (2016). Artificial Neural Network Modelling: An introduction. (Ed:, Shanmuganathan, S & Samarasinghe, S.) Artificial Neural Network Modelling İçinde. (1-14), Switzerland: Springer.
• Sıbı,P., Jones, S.A & SIıddarth, P. (2013). Analysis of Diffferent Activation Functions Using Back Propagation Neural Networks. Journal of Theoretical and Applied Information Technology. Vol. 47 No.3.(1264-1268).
• Tektaş, A. ve Karataş, A. (2004). Yapay Sinir Ağları ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi. İktisadi ve idari Bilimler Dergisi, Cilt: 18 Sayı: 3•4.(337-349).
• Usul, H., Küçüksille, E. ve Karaoğlan, S. (2017). Güven Endekslerindeki Değişimlerin Hisse Senedi Piyasalarına Etkileri: Borsa İstanbul Örneği. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, C.22, S.3, (685-695).
• Weatherford, L.R., Gentry, T.W. & Wilamowski, B. (2002). Neural Network Forecasting for Airlines: A Comparative Analysis. Journal of Revenue Pricing Management, 1(4), (319-331).
• 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. C.19. S.1.(139-157).