The Classification of the Firms Traded in Istanbul Stock Exchange by Using Support Vector Machines

Abstract

In this study, 42 companies operating in food, textile and cement sectors within İstanbul Stock Exchange 100 (ISE-100) have been handled. The aim is to classify these companies into three groups according to financial ratios. The average values of 10 financial ratios of these companies between the years 2006-2011 have been handled. Based on these ratios, classes are derived from cluster analysis. These ratios and the results of the cluster analysis are the data set of this article. In order to test the performance of the learning algorithm and classification leave-one-out cross-validation method is used. The classification study conducted by Support Vector Machines approach has performed 95.23% correct classification with the help of 12 support vectors. Moreover, input sensitivity analysis has been conducted and 4 most efficient ratios have been determined out of these 10. These ratios are removed from the model one by one starting from the less influential one in order to investigate by which ratios the most effective Support Vector Machine model is obtained. It is seen that the best model is obtained by using the first 3 ratios. The classification success for this model is 97.61% and the number of support vector is 12.

Keywords

• ISE-100, Support vector machines, Financial rates, Classification, Sensitivity analysis.

İstanbul Menkul Kıymetler Borsası'nda İşlem Gören Firmaların Destek Vektör Makineleri Kullanılarak Sınıflandırılması

Öz

Bu çalışmada, İstanbul Menkul Kıymetler Borsası 100 (IMKB-100) içinde gıda, tekstil ve çimento sektörlerinde faaliyet gösteren 42 şirket ele alınmıştır. Bu şirketler finansal oranlara bağlı olarak üç sınıfa ayrılmak istenmektedir. Şirketlere ilişkin 10 adet finansal oranın 2006-2011 yılları arasındaki ortalama değerleri ele alınmıştır. Bu oranlara bağlı olarak kümeleme analizinden elde edilen sınıflar belirlenmiştir. Bu oranlar ve kümeleme analizi sonuçları bu makalenin veri kümesini oluşturmaktadır. Öğrenme algoritmasının ve sınıflandırmanın başarımını test etmek için tek çıkarımlı çapraz- doğrulama yöntemi kullanılmıştır. Destek Vektör Makineleri (DVM) yaklaşımı ile yapılan sınıflandırma çalışması %95,23 oranında doğru sınıflandırmayı 12 destek vektörü ile yapmıştır. Ayrıca giriş duyarlılık analizi yapılarak bu 10 orandan en etkin olan 4 oran belirlenmiştir. Bu oranlar en etkisizden en etkili olan faktöre doğru modelden sıra ile çıkarılarak, bu dört faktörden hangilerinin alınması ile en etkili DVM modeli elde edilebileceği araştırılmıştır. En iyi modelin ilk 3 faktöre bağlı olan model olduğu belirlenmiştir. Bu yeni modelde sınıflandırma başarı oranı %97,61 ve destek vektör sayısı 12 olarak kalmıştır.

Anahtar Kelimeler

• IMKB-100, Destek vektör makineleri, Finansal oranlar, Sınıflandırma, Duyarlılık analizi.

References

1. Kaastra, I. and Boyd, M., “Designing a Neural Network for Forecasting Financial and Economic Time Series,” Neurocomputing, No. 10, pp. 215-236, 1996.
2. Boyacıoğlu, M.A. ve Kara, Y., “Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının
3. Karşılaştırılması,” Dokuz Eylül Üniversitesi İ.İ.B.F. Dergisi, Cilt 22, No. 2, pp. 197-217, 2007.
4. Nagarajan, V., Wu, Y., Liu, M. and Wang, Q.-G., “Forecast Studies for Financial Markets Using Technical Analysis,” Proceedings of the IEEE International Conference on Control and Automation, 2005, Vol. 1, pp. 259-264.
5. Pacelli, V., Bevilacqua, V. and Azzolini, M., “An Artificial Neural Network Model to Forecast Exchange Rates,” Journal of Intelligent Learning Systems and Applications, No. 3, pp. 57-69, 2011.
6. Martinez, L. C., da Hora, D. N., de M. Palotti, J. R., Wagner, M. Jr. and Pappa, G. L., “From an Artificial Neural Network to a Stock Market Day-Trading System: A Case Study on the BM&FBOVESPA,” Proceedings of IEEE International Joint Conference on Neural Networks, 2009, pp. 2006- 2013.
7. Bektaş, H. ve Gökçen, A., “Türk Bankacılık Sektöründe Finansal Güç Derecesine Sahip Bankaların Kantitatif Verilerinin İstatistiksel Analizi,” Marmara Üniversitesi İ.İ.B.F. Dergisi, Cilt 31, No. 2, pp. 345-366, 2011.
8. Tayyar, N. ve Tekin, S., “İMKB-100 Endeksinin Destek Vektör Makineleri İle Günlük, Haftalık ve Aylık Veriler Kullanarak Tahmin Edilmesi,” AİBÜ Sosyal Bilimler Enstitüsü Dergisi, Cilt 13, No. 1, pp. 189-217, 2013.

9. Özdemir, A. K., Tolun, S. ve Demirci, E., “Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği,” Niğde Üniversitesi İ.İ.B.F. Dergisi, Cilt 4, No. 2, pp. 45-49, 2011.
10. Kara, Y., Boyacıoğlu, M. A. and Baykan, Ö. K., “Predicting Direction of Stock Price Index Movement Using Artifical Neural Networks and Supports Vector Machines: The Sample of the Istanbul Stock Exchange,” Expert Systems with Applications, No. 38, pp. 5311-5319, 2011.
11. Timor, M., Dinçer, H. and Emir, Ş., “Performance Comparison of Artificial Neural Network and Support Vector Machines Models for the Stock Selection Problem: An Application on the Istanbul Stock Exchange 30 Index in Turkey,” African Journal of Bussiness Management, Vol. 6, No. 3, pp. 1191-1198, 2012.
12. Bildirici, M. ve Ersin, O. O., “Koşullu Volatilitenin Modellenmesinde Destek Vektör Makinesi GARCH Modeli ve Türk Finans Piyasaları Üzerine Bir Uygulama,” 13th International Conference on Econometrics, Operations Research, and Statistics, Famagusta, Cyprus, 2012.
13. Yuan, C., “Predicticting S&P 500 Returns Using Support Vector Machines: Theory and Empirics,” Washington University, St. Louis, 2011.
14. Choudry, R. and Garg, K., “A Hybrid Machine Learning System for Stock Market Forcasting,” World Academy of Science, Engineering and Technology, No. 15, pp. 315-318, 2008.
15. Yu, L., Chen, H., Wang, S. and Lai, K.K., “Evolving Least Squares Support Vector Machines for Stock Market Trend Mining,” IEEE Transactions on Evolutionary Computation, Vol.13, No.1, pp. 87-102, 2009.
16. Lahmiri, S., “A Comparison of PNN and SVM for Stock Market Trend Prediction using Economic and Technical Information,” Applications, Vol.29, No. 3, pp. 24-30, 2011.
17. King, C., Vandrot, C. and Weng, J., “A SVM Approach to StockTrading,”http://cs229.stanford.edu/proj2009/King VandrotWeng.pdf, 2009.
18. Luo, L. and Chen, X., “Integrating Piecewise Linear Representation and Weighted Support Vector Machine for Stock Trading Signal Prediction,” Applied Soft Computing , Vol. 13, pp. 806-816, 2013.
19. Kaytez, F., “En Küçük Kareler Destek Vektör Makineleri ile Türkiyenin Uzun Dönem Elektrik Tüketim Tahmini ve Modellenmesi,” Ankara: Gazi Üniversitesi F.B.E., Doktora Tezi, Yayınlanmamış, 2012.
20. Kavaklıoğlu, K., “Modelling and Prediction of Turkey's Electricity Regression,” Applied Energy, No. 88, pp. 368-375, 2011.
21. Oğcu, G., Demirel, Ö. F. and Zaim, S., “Forecasting Electricity Consumption with Neural Networks and Support Behavioral Sciences, No. 58, pp. 1576-1585, 2012. Procedia-Social and
22. Kalfa, V. R. ve Bekçioğlu, S., “İMKB’de İşlem Gören Gıda, Tekstil ve Çimento Sektörü Şirketlerinin Finansal Oranlar Yardımıyla Kümelenmesi,” XIV. Ekonometri, Yöneylem Araştırması ve İstatistik Kongresi, Saraybosna, 2013.
23. Cortes, C. and Vapnik, V., “Support Vector Networks,” Machine Learning, Vol.20, No. 3, pp. 273-297, 1995.
24. Öğüdücü, Ş.G., “Ninova İTÜ e-Öğretim Merkezi,” [Çevrimiçi].Erişim:http://ninova.itu.edu.tr/tr/dersler/bili sim-enstitusu/195/bbl-606/ekkaynaklar?g8396. [Erişildi: 10 Mayıs 2013].
25. Campbell, C. and Ying, Y., Learning with Support Vector Machines, Morgan and Claypool Publishers, 2011.
26. Hamel, L., Knowledge Discovery with Support Vector Machines, New Jersey: John Wiley & Sons, 2009.
27. Kecman, V., Learning and Soft Computing: Support Vector Machines, Neural Networks and Fuzzy Logic Models, Cambridge: MIT Press, 2001.
28. Schölkopf, B. and Smola, A.J., Learning with Kernels, Cambridge: MIT Press, 2002.
29. İplikçi, S., Makine Öğrenmesi Yüksek Lisans Ders Notları, Denizli: Yayınlanmamış, 2013.
30. Duan, K.-B. and Keerthi, S., Which Is the Best Multiclass SVM Method? An Emprical Study, in Multiple Classifier Systems, Lecture Notes in Computer Science, Vol.3541, pp 278-285, 2005.
31. Liu, Y. and Zheng, Y.F., “One-Against-All Multi-Class SVM Classification Using Reliability Measures,” Proceedings of IEEE International Joint Conference on Neural Networks (IJCNN '05), 31 July-4 August 2005, Vol. 2, pp. 849-854.
32. Canu, S., Grandvalet, Y., Guigue, V. and Rakotomamonjy, A. “SVM and Kernel Methods Matlab Toolbox,” Perception Systemes et Information, INSA de Rouen, Rouen, France, 2005. rouen.fr/enseignants/~arakoto/toolbox/ [Erişildi: 10.05.2013]. Erişim:
33. http://asi.insa- index.html.
34. Weston, J., “Leave-One-Out Support Vector Machines,” International Joint Conferences on Artificial Intelligence, Stockholm, Sweden, 1999, pp. 731-737.
35. Arlot, S. and Celisse, A., “A survey of cross-validation procedures for model selection,” Statistics Survey, Vol. 6, pp. 40-79, 2010.