TY  - JOUR
T1  - Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini
TT  - Prediction of Bank Stocks Price with Machine Learning Techniques
AU  - Akşehir, Zinnet Duygu
AU  - Kılıç, Erdal
PY  - 2019
DA  - December
JF  - Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi
JO  - TBV-BBMD
PB  - Akademik Bilişim Vakfı
WT  - DergiPark
SN  - 1305-8991
SP  - 30
EP  - 39
VL  - 12
IS  - 2
LA  - tr
AB  - Banka hissesenetlerinin bir gün sonraki kapanış fiyatını tahmin etmek zor bir problemdir. Çünkühisse senetleri fiyatlarını etkileyen çok sayıda etken vardır. Bu çalışmada 1Ocak 2016 - 9 Mayıs 2019 tarihleri arasındaki veriler ele alınarak bazı bankahisse senetlerinin bir gün sonraki kapanış fiyatları tahmin edilmeyeçalışılmıştır. Hisse senedi hareketlerinde doğrusal örüntülere rastlanmasısebebiyle tahmin modeli geliştirilirken karar ağacı, çoklu regresyon ve rassalorman yöntemlerinden yararlanılmıştır. Bu yöntemlerle oluşturulan modeller içiniki farklı girdi değişken kümesi kullanılmıştır. Birinci veri kümesinde, 46teknik ve 4 temel göstergeden oluşan toplam 50 gösterge vardır. İkincisi iseteknik göstergelerde yapılan indirgemeler sonucunda 29 teknik gösterge ve 4temel göstergeden oluşan toplam 33 göstergeden meydana gelmektedir. Bu ikifarklı girdi değişken kümesi için her iki modelin tahmin performansı R2ölçütü ile değerlendirilmiştir. R2 sonuçları incelendiğinde, teknikgöstergede yapılan indirgemenin modellerin tahmin performansını olumlu yöndeetkilediği görülmüştür.
KW  - tahmin
KW  - hisse senedi fiyatı
KW  - karar ağacı
KW  - çoklu regresyon
KW  - rassal orman
KW  - teknik ve temel gösterge
N2  - It is a difficult problem to predict the one-day nextclosing price of bank stocks. Because there are many factors affecting stockprices. In this study, usingdata from 1 January 2016 to 9 May 2019 date andsome bank stocks have been tried to predict the closing prices of the nextday. The decision tree, multipleregression, and random forest methods were used in developing the estimation modeldue tofinding linear patterns in stock movements. Two different sets of inputvariables were used for the models created with these methods. There are 50indicators consisting of 46 techniques and 4 fundamental indicators in thefirst input variable set. The second input variable set, as a result of thereduction in technical indicators there is a total of 33 indicators consistingof 29 technical indicators and 4 basic indicators. For these two differentinput variable sets, the estimation performance of both models was evaluated bythe R2 criteria.When the R2 results were analyzed, it was seen that the reduction inthe technical indicator had a positive effect on the predictive performance ofthe models.
CR  - [1]	Akel, V., & Bayramoğlu, M. F. Kriz Dönemlerinde Yapay Sinir Ağları ile Finansal Öngörüde bulunma: İMKB 100 Endeksi Örneği. International Symposium on International Capital Flows and Emerging Markets, 24-28 Nisan 2008, Balıkesir, Bandırma.
CR  - [2]	Karaatlı, M., Güngör, İ., Demir, Y., & Kalaycı, Ş. Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 2005, 3(3), 38-48.
CR  - [3]	Kutlu, B., & Badur, B. Yapay Sinir Ağları ile Borsa Endeksi Tahmini. Yönetim, 2009, 20(63), pp. 25-40.
CR  - [4]	Diler, A. İ. İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hatayı Geriye Yayma Yöntemi ile Tahmin Edilmesi. İMKB Dergisi, 2003, 7(25- 26), pp. 66-82.
CR  - [5]	Altay, E., & Satman, M. H. Stock Market Forecasting: Artificial Neural Network and Linear Regression Comparison in An Emerging Market. Journal of Financial Management and Analysis, 2005, 18(2), pp. 18-33.
CR  - [6]	Yakut, E., Elmas, B., & Yavuz, S. Yapay Sinir Ağlari Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2014, 19(1), pp. 139-157.
CR  - [7]	Sui, X., Hu, Q., Yu, D., Xie, Z. & Qi, Z. A Hybrid Method for Forecasting Stock Market Trend Using Soft-Thresholding De-noise Model and SVM. Springer Verlag Berlin Heidelberg, 2007, pp. 387-394.
CR  - [8]	Kim, K. Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 2003, 55, pp. 307–319.
CR  - [9]	Inthachot, M., Boonjing, V., & Intakosum, S. Predicting SET50 Index Trend Using Artificial Neural Network and Support Vector Machine. In International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, 2015, pp. 404-414. Springer.
CR  - [10]	Aktürk, Z. BIST100 Endeksinin Günlük Modellenmesi. Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, 2019.
CR  - [11]	Çetinyokuş, T., & Gökçen, H. Borsada Göstergelerle Teknik Analiz için Bir Karar Destek Sistemi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 2002, 17(1).
CR  - [12]	Asiltürk, I., & Çunkaş, M. Modeling and Prediction of Surface Roughness in Turning Operations Using Artificial Neural Network and Multiple Regression Method. Expert systems with applications, 2011, 38(5), pp. 5826-5832.
CR  - [13]	Breiman, L. Classification and Regression Trees. Routledge, 2017.
CR  - [14]	Breiman, L. Random Forests. Machine learning, 2001, 45(1), pp. 5-32.
CR  - [15]	Akşehir, Z. D., &  Kılıç, E. Banka Hisse Senetlerinin İndirgenmiş Teknik Göstergelerle Fiyat Tahmini. in 2019 4th International Conference on Computer Science and Engineering (UBMK), 2019, IEEE.
UR  - https://dergipark.org.tr/tr/pub/tbbmd/issue//636777
L1  - https://dergipark.org.tr/tr/download/article-file/885997
ER  -