YAPAY SİNİR AĞLARI İLE RİSK-GETİRİ TAHMİNİ VE PORTFÖY ANALİZİ
Öz
Bu çalışmada, BIST-Sınai Endeksi’nde yer alan 140 hisse senedinin 2010 yılına ait aylık ortalama getirileri kullanılarak risk-getiri tahmini ve portföy optimizasyonu amaçlanmıştır. Bu amaç doğrultusunda, belirtilen hisse senetleri ile aktif büyüklük, piyasa değeri, işlem hacmi ve özsermaye niceliklerine göre eşit ağırlıklı portföyler oluşturulmuş ve bu portföylerin risk-getirileri hesaplanmıştır. Bu değerler kullanılarak bir yapay sinir ağı (YSA) modeli eğitilmiş ve eğitilen bu ağ ile de test işlemi gerçekleştirilmiştir. Test sonucunda getiri ve risk bazında en iyi sonuç özsermayeye göre oluşturulan portföylerde elde edilmiştir. Ayrıca YSA ile getiri tahmininin %1’in altında hata oranı ile gerçekleştiği, risk tahmininde ise hata miktarının binde 5’in altında olduğu gözlenmiştir. Uygulamanın optimizasyon kısmında, maksimum getiriye sahip portföyün getirisi olan %7.5916 değeri için YSA 0.0567 hata oranı ile %7.1590 değerini bulmuştur.
Anahtar Kelimeler
Yapay Sinir Ağları, Risk-Getiri Tahmini, Minimum Risk, Maksimum Getiri
Kaynakça
- Aghababaeyan, R. et al. (2011). Forecasting the Tehran Stock Market by artificial neural network.
- International Journal of Advanced Computer Science and Applications, Special Issue on Artificial Intelligence. Akcan A. ve Kartal C. (2011). İMKB sigorta endeksini oluşturan şirketlerin hisse senedi fiyatlarının yapay sinir ağları ile tahmini. Muhasebe ve Finasnman Dergisi, 27-40.
- Armano, G., et al. (2005). A hybrid genetic-neural architecture for stock indexes forecasting.
- Information Sciences, 170(1): 3-33. Boyacioglu M.A. ve Avcı D. (2010). An adaptive network-based fuzzy inference system (ANFIS) for the prediction of stock market return: The case of the Istanbul Stock Exchange. Expert
- Systems with Applications, 37(12): 7908-7912.
- Chang, P.-C., et al. (2003). A neural network with a case based dynamic window for stock trading prediction. Expert Systems with Applications, 36(3): 6889-6898.
- Chen, A.-S., et al. (2003). Application of neural networks to an emerging financial market: forecasting and trading the Taiwan Stock Index. Computers & Operations Research, 30(6): 901-9
- Chun, S.-H. and S. H. Kim (2004). Data mining for financial prediction and trading: application to single and multiple markets. Expert Systems with Applications, 26(2): 131-139.
- Enke, D. and S. Thawornwong (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications, 29(4): 927-940.
- Fernández, A. and S. Gómez (2007). Portfolio selection using neural networks. Computers &