Estimating Bist 100 with the interactıon of financial instruments of developing countries using deep learning and machine learning methods

Year 2023, Volume: 12 Issue: 1, 52 - 63, 15.01.2023

Serap Akbulut , Kemal Adem

https://doi.org/10.28948/ngumuh.1131191

Cited By: 1

Abstract

The effect of foreign exchange markets, commodity markets and stock market indices of developing countries on Bist100 is very important. The economies of the countries are strongly dependent on the economies of both their own and other countries, and therefore the markets are affected. Forecasting methods are used to follow the market economically and to make correct decisions. The dataset consists of closing data between January 2017 and October 2021. In order to ensure objectivity in experimental studies, a k=5 and 10-fold cross-validation model was applied. In comparison of models; Mean Absolute Error (MAE), Relative Absolute Error (RAE), Root Mean Square Error (RMSE) and long short-term memory (LSTM) were used. As a result of experimental studies, it has been seen that the LSTM model gives better results than machine learning models. When the test results for the LSTM model are examined, the MAE value is 10.27, the RMSE value is 14.15, and the RAE value is 6.06.

Keywords

Artificial intelligence, Deep learning, Data mining, Financial estimate

Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini

Abstract

Döviz piyasaları, emtia piyasaları ve gelişmekte olan ülkelerin borsa endekslerinin Bist100 üzerindeki etkisi oldukça önemlidir. Ülke ekonomileri hem kendi hem de diğer ülkelerin ekonomilerine güçlü bir şekilde bağlıdır ve bu sebeple piyasalar etkilenmektedirler. Ekonomik açıdan piyasayı takip etmek kararları doğru verebilmek için tahmin yöntemleri kullanılmaktadır. Veri kümesi Ocak 2017 – Ekim 2021 tarihleri arasındaki kapanış verilerinden oluşmaktadır. Deneysel çalışmalarda objektifliğin sağlanması amacıyla k=5 ve 10 katlı çapraz geçerlilik modeli uygulanmıştır. Modellerin karşılaştırılmasında; Ortalama Mutlak Hata (MAE), Bağıl Mutlak Hata (RAE), Ortalama Karesel Hata Karekökü (RMSE) ve uzun kısa süreli bellek (LSTM) kullanılmıştır. Deneysel çalışmalar sonucunda, LSTM modelinin makine öğrenmesi modellerine göre daha iyi sonuç verdiği görülmüştür. LSTM modeli için test sonuçları incelendiğinde MAE değeri 10.27, RMSE değeri 14.15 ve RAE değeri ise 6.06’dir.

Keywords

Yapay Zeka, Derin Öğrenme, Veri Madenciliği, Finansal Tahmin.

References

• M. Karslı ve H. Karaman, İslam açısından borsa. İstanbul: Ensar Neşriyat, 1994.
• A. Fertekligil, Türkiye’de borsanın tarihçisi. İstanbul: İMKB Yayınları, 2000.
• U. Erkan, A. Toktas ve D. Ustun, Hyperparameter optimization of deep CNN classifier for plant species identification using artificial bee colony algorithm. J Ambient Intell Human Comput, 2022. https://doi.org/10.1007/s12652-021-03631-w
• A. Uğur, Hisse senedi getirilerinin panel veri analizi ile tahmini: İstanbul menkul kıymetler borsasında bir inceleme. (Doktora Tezi), İnönü Üniversitesi, Sosyal Bilimler Enstitüsü, Malatya, 2009.
• Y. Kara, M. A. Boyacioglu ve Ö. K. Baykan, 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, 5311 – 5319, 2011.
• M. Akal, BİST 100 endeksi ile GSPTSE ve yükselen borsalar arası etkileşim. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler E-Dergisi, 38, 1-20, 10.09.2021.
• T. Fischer ve C. Kraus, Deep learning with long-short term memory networks for financial market predictions. European Journal of Operational Researh, 000,1-16, 2018.
• C. Krauss, X. A. Do ve N. Huck, Deep neural networks, gradient-boosted trees, random forest: statisticalar bitrage on the S&P 500. European Journal of Operational Researh, 259(2), 689-702, 2017.
• A. Nahil ve A. Lyhyaoui, Short-term stock price for ecasting using kernelprincipal componentan anlysis and support vector machines: the case of casablanca stock Exchange. Procedia Computer Science, 127, 161-169, 2018.
• P. H. Vuong, T. T. Dat, T. K. Mai, P. H. Uyen ve Pham The Bao, StockPrice Forecasting Based on XGBoost and LSTM. Computer Systems Science and Engineering, 40(1), 237-246, E, 2022.
• Z. Hu, Y. Zhao ve M. Khushi, A survey of forex and stock price prediction using deep learning. Applied System Innovation, 4(1), 9, 2021.
• E. Gavcar, ve H. M. Metin, Hisse Senedi Değerlerinin Makine Öğrenimi (Derin Öğrenme) ile Tahmini. Ekonomi ve Yönetim Araştırmaları Dergisi, 10(2), 1-11, 2021. Retrieved from https://dergipark.org.tr/ tr/pub/eyad/issue/68049/1056795
• Y. Aker, Analysis of Price Volatility in BIST 100 Index With Time Series: Comparison of Fbprophet and LSTM Model. Avrupa Bilim ve Teknoloji Dergisi, (35), 89-93. DOI: 10.31590/ejosat.1066722, 2022.
• İ. Dalkıran ve M. Ozan, Derin Öğrenme Teknikleri Kullanılarak Borsadaki Hisse Değerlerinin Tahmin Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, ICAENS, 143-148. DOI: 10.31590/ejosat.1145949, 2022.
• E. Alpaydın, Introduction to machine learning. The MIT Press, 3-6, 2004.
• H. Akpınar, Data veri madenciliği veri analizi. İstanbul: Papatya Bilim, 2014.
• U. Erkan, A precise and stable machine learning algorithm: eigenvalue classification (EigenClass). Neural Comput and Applic 33, 5381–5392, 2021. https://doi.org/10.1007/s00521-020-05343-2
• G. Dilki ve Ö. Deniz Başar, İşletmelerin finans tahmininde k – en yakın komşu algoritması üzerinden uzaklık ölçütlerinin karşılaştırılması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 19(38), 224-233, 2020.
• Y. Kırelli, E-Ticaret siteleri için sahtekarlık tespit sistemleri. (Yüksek Lisans Tezi), İstanbul ticaret üniveristesi, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul, 2016.
• Ş. Sakarya ve Ü. Yılmaz, Derin öğrenme mimarisi kullanılarak BİST30 indeksinin tahmini. Europen, Journal of Educational&SocialSciences, 4(2), 2654-6621, 2019.
• Ş.E. Kara ve R. Şamlı, Yazılım Projelerinin Maliyet Tahmini için Weka’da Makine Öğrenmesi Algoritmalarının Karşılaştırılmalı Analizi. Avrupa Bilim ve Teknoloji Dergisi, 415-42, 2021.
• K. Vursavuş, F. Üçkardeş, K-star, rastgele orman ve karar ağacı (C.4.5) sınıflandırma algoritmaları ile domatesin renk olgunluğu üzerinde bazı mekaniközelliklerin etkisinin belirlenmesi. Article in Turkish Journal of Agriculture Food Science and Technolog, 2015.
• G. Şişmanoğlu, F. Koçer, M.A. Önde ve Ö. K. Şahinsöz, Derin öğrenme yöntemleri ile borsada fiyat tahmini. BEU Fen Bilimleri Dergisi, 9(1), 434-455, 2020.
• S. Turan, Uzun Kısa Süreli Hafıza ve Geçitli Yinelenen Birim İle Borsa İstanbul 100 Endeks Değeri Tahmini Üzerine Bir Uygulama. (Yüksek Lisans Tezi), Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2019.
• R. C. Staudemeyer, E. Rothstein Morris, Understanding LSTM a tutorialinto long-short term memory recurrent neural networks. Faculty of Computer Science Schmalkalden University of Applied Sciences, Germany, 2019.
• K. Adem ve C. Közkurt, Defect detection of seals in multilayer aseptic packages using deep learning. Turkish Journal of Electrical Engineering and Computer Sciences, 27(6), 4220-4230, 2019.
• K. Adem, Prediction of Gold Prices Using Artificial Neural Networks. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 9(3), 83-89, 2021.
• K. Adem, N. Zengin, M. Hekim, ve S. S. Karaca, Prediction of the relationship between the bist 100 index and advanced stock market indices using artificial neural network:(2011-2015). Journal of New Theory, (13), 86-95, 2016.