Ekonomik Yatırım Araçları Getirilerinin Saklı Markov Modeli ile Tahmin Edilmesi: Türkiye Örneği

Year 2018, , 61 - 75, 20.04.2018

Cansu Dağlıoğlu , Gülsen Kıral

https://doi.org/10.20979/ueyd.397268

Cited By: 6

Abstract

Günümüzde insanların kâr elde etme amacıyla geleceği
tahmin etme ve bu tahminler sonucunda kazanç elde etme isteği finansal yatırım
araçlarına büyük bir talep oluşturmaktadır. Piyasalarda meydana gelen bu
canlanma, finansal yatırım araçlarına ilgisi olan herkesi bilgi arayışına sürüklemiştir.
Bu durum ise geleceğe yönelik yapılan tahmin çalışmalarında artış ile
sonuçlanmaktadır.Bu çalışmada Saklı Markov Modeli kullanılarak Borsa
İstanbul 100 endeks değerinin değişim oranı, hisse senedine etki eden bazı
egzojen faktörler yardımıyla  tahmin
edilmiştir.Saklı Markov Modeli’nin ilk çözüm algoritması olan İleri-Geri
Yön algoritması ile geçmiş değerler baz alınarak  BIST 100 endeks değişim yüzdesinin ne yönde
olacağı ile ilgili olasılıklar tahmin edilmiştir. İkinci aşamada BIST 100 endeksi
değişim oranının, çalışmada yer alan egzojen faktörlerden hangisinin
değişiminden kaynaklandığına dair tahminlemeler yapılmıştır. Baum-Welch
algoritması ile de model parametreleri tekrar tahmin edilmiş ve sonuçların
oldukça etkin tahminler olduğu gözlemlenmiştir.

Keywords

Saklı Markov Modeli, Saklı Markov Modeli Algoritmaları, Borsa İstanbul, Finansal Yatırım Araçları

Prediction of Economical Investment Tool Returns With Hidden Markov Model for Turkey

Abstract

Nowadays there is a great
demand to financial investment tools due to the desire of profiting from future
predictions. The revival in the markets drafted everyone interested in
financial investment to information hunting. This causes an increase in future prediction
studies.In this study BIST 100 index
change rate is predicted by the Hidden Markov Model using the exogenous factors
affecting stocks.With the help of Hidden Markov
Model’s first solution algorithms, forward-backward algorithms, BIST 100 index
change rate direction possibilities were predicted based on past values.
Secondly prediction of the exogenous factor change affecting the BIST 100 index
change rate was done. Using Baum-Welch algorithm model parameters were
predicted again and results were found out to be very effective.

Keywords

Hidden Markov Model, Hidden Markov Model Algorithms, Borsa Istanbul, Financial Investment Tools

References

• Bicego, M., & Murino, V. (2004). “Investigating Hidden Markov models’ Capabilities in 2D Shape Classification.” IEEE Transactions on Pattern Analysis and Machine Intelligence, 26(2), 281-286.
• Can, C. E., Ergün, G., & Gökçeoğlu, C. (2013).” Bilecik Çevresinde Deprem Tehlikesinin Saklı Markov Modeli ile Tahmini.” (Erişim Tarihi: 11.09.2017) http://www.tdmd.org.tr/TR/Genel/pdf/TDMSK100.pdf.
• Can, T., & Öz, E. (2009). “Saklı Markov Modelleri Kullanılarak Türkiye'de Dolar Kurundaki Değişimin Tahmin Edilmesi.” Istanbul University Journal of the School of Business Administration, 38(1).
• Canbaş, S., &Doğukanlı, H. (2012). Finansal pazarlar. Karahan Kitabevi: Adana.
• Ewens, W. J., & Grant, G. R. (2006). Statistical methods in bioinformatics: an introduction. Springer Science & Business Media.
• Gupta, M. P., & Khanna, R. B. (2009). Quantitative techniques for decision making. New Delhi: PHI Learning.
• İlarslan, K. (2014). “Hisse Senedi Fiyat Hareketlerinin Tahmin Edilmesinde Markov Zincirlerinin Kullanılması: İMKB 10 Bankacılık Endeksi İşletmeleri Üzerine Ampirik Bir Çalışma” (“The use of Markov Chains for the Prediction of Stock Price Movements: An Empirical Study on the ISE 10 Banking Index Firms.”) Journal of Yaşar University, 9(35), 6158-6198.
• Karan, M. B. (2011). Yatırım analizi ve portföy yönetimi. Ankara: Gazi Kitabevi.
• Karlsson, M. (2004). Hidden Markov Models. (Erişim Tarihi: 20.08.2017) http://www.math.chalmers.se/~olleh/MarkovKarlsson.pdf
• Kiral, E., & Uzun, B. (2017). “Forecasting Closing Returns of Borsa Istanbul Index with Markov Chain Process of the Fuzzy States.” Journal of Economics Finance and Accounting, 4(1), 15-24.
• Kültür,A.,Ç.(1998).Borsa endeksini etkileyen unsurlar, http://www. angelfire.com/ca/SoytariKral/SEMINER.html#Toc439402716,AnkaraÜniversitesi Siyasal Bilgiler Fakültesi, (20 Aralık 2017).
• Lange, K. (2010). Applied probability. New Tork: Springer.
• Lou, H. L. (1995). “Implementing the Viterbi algorithm.” IEEE Signal processing magazine, 12(5), 42-52.
• Mavruk, C., & Kıral, E. (2016). “Prediction Of Central Government Budget Tax Revenues Using Markov Model.” Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 25(2), 41-56.
• Messina, E., & Toscani, D. (2007). “Hidden Markov models for scenario generation”. IMA Journal of Management Mathematics, 19(4), 379-401.
• Öz, E. (2009). “İstanbul Menkul Kıymetler Borsası üzerine Saklı Markov Modeli ile bir tahminleme.” Ekonomik Yaklasim, 20(72), 59-85.
• Özcan, G. (2015). “Saklı Markov Modelleri ve uygulamaları.”Akademik Bilişim, 15, 1-10.
• Özdemir, A., & Demireli, E. (2014). “Hisse senedi fiyat verimliliğinin markov zincirleri ile analizi BIST teknoloji endeksi hisse senedi fiyatları üzerine bir uygulama.” Verimlilik Dergisi, 41-60.
• Rabiner, L. R., & Juang, B. H. (1993). Fundamentals of speech recognition, United States of America-New Jersey: Prentice Hall International Inc., Prentice Hall Signal Processing Series
• Sayılgan, G. (2004). Hisse senetleri piyasası endeksleri kuram uygulama bir model önerisi. Ankara: Turhan Kitabevi Yayınları.
• Schliep, A., Georgi, B., Rungsarityotin, W., Costa, I., & Schonhuth, A. (2004). “The general hidden markov model library: Analyzing systems with unobservable states.” Proceedings of the Heinz-billing-price, 2004, 121-135.
• Steeb, W. H., Hardy, Y., & Stoop R. (2005). The Nonlinear Workbook, 3rd Edition, Singapore: World Scientific Publishing Co. Pte. Ltd., 2005, s.472.Taha, A. H. (2007). Operations research: an introduction. New Jersey: Pearson Prentice Hall.
• Winston, W. L. (2004). Operations research: applications and algorithms. Toronto: Thomson Learning.
• Xue, H., & Govindaraju, V. (2006). “Hidden Markov models combining discrete symbols and continuous attributes in handwriting recognition”. IEEE transactions on pattern analysis and machine intelligence, 28(3), 458-462.