IPOs AND EVALUATION OF THE BORSA ISTANBUL IPO INDEX

Öz

This study emphasizes the importance of capital markets and delves into the opportunities and risks that IPOs (Initial Public Offerings) offer for companies and investors. Capital markets provide an avenue for both domestic and foreign investors to make long-term investments, thereby contributing to economic growth. IPOs enable the broadening of capital distribution and the participation of small investors, ultimately supporting economic stability. However, opening new accounts solely for IPO participation may limit market transactions and hinder long-term investments. Financial markets in Turkey have rapidly developed, driven by structural regulations and efforts towards global integration. Nevertheless, financial crises and pandemic events have caused fluctuations in the market. IPOs play a crucial role in bringing companies into financial markets and converting funds into investments. Therefore, various projects have been initiated to increase the number of publicly traded companies and promote capital market development. In the analytical part of the study, the performance of the Borsa Istanbul IPO Index (XHARZ) is examined, and forecasting is conducted. Traditional ARIMA (p,d,q) models and artificial intelligence-based XGBoost models are used for predictions, followed by a comparison of their performance. The results of the analysis show that the machine learning based XGBoost Model provides the best forecasting performance.

Anahtar Kelimeler

• Financial Markets
• Financial Time Series
• IPO
• Borsa Istanbul
• Deep Learning
• Machine Learning

Halka Arzlar ve Borsa İstanbul Halka Arz Endeksinin Değerlendirmesi

Öz

Bu çalışma, sermaye piyasalarının önemini vurgulayarak, halka arzların şirketler ve yatırımcılar için sunduğu fırsatlar ve risklere odaklanmaktadır. Sermaye piyasaları hem yerli hem de yabancı yatırımcılar için uzun vadeli yatırımlar yapma imkanı sunarak ekonomik büyümeye katkı sağlar. Halka arzlar, sermayenin tabana yayılmasını ve küçük yatırımcıların piyasaya katılmasını sağlayarak ekonomik istikrarı destekler. Ancak, sadece halka arza katılım amacıyla yeni hesaplar açılması, piyasadaki işlemleri sınırlayabilir ve uzun vadeli yatırımların önünde bir engel oluşturabilir. Türkiye'deki finansal piyasalar, yapısal düzenlemeler ve küresel entegrasyon çabalarıyla hızla gelişmiştir. Ancak finansal krizler ve pandemik olaylar gibi dönemlerde dalgalanmalar yaşanmıştır. Halka arzlar, şirketleri finansal piyasalara getirerek kaynakları yatırıma dönüştürme açısından kritik bir rol oynamaktadır. Bu nedenle, halka arzların sayısını artırmak ve sermaye piyasalarının gelişimini teşvik etmek amacıyla birçok projeye imza atılmıştır. Çalışmanın analiz kısmında Borsa İstanbul Halka Arz Endeksi'nin (XHARZ) performansını incelemekte ve performans tahmini yapılmaktadır. Geleneksel ARIMA Modeli ve yapay zeka temelli XGBoost modelli kullanılarak tahminler yapılmış, ardından bu modellerin performansları karşılaştırılmıştır. Analiz sonuçları makine öğrenimi temelli XGBoost Modeli'nin en iyi tahmin performansını sağladığını göstermektedir.

Anahtar Kelimeler

• Finansal Piyasalar
• Zaman Serileri
• Halka Arz
• Borsa İstanbul
• Derin Öğrenme Makine Öğrenmesi

Kaynakça

1. Avcı, S.B., Akdoğu, E., Şimşir, Ş.A. (2020). Borsa İstanbul ilk halka arz piyasa dinamikleri ve düşük fiyatlama. Center of Excellence in Finance Araştırma Raporu. Sabancı Üniversitesi. 1-24
2. Aygören, H., Sarıtaş, H. ve Morallı T. (2012). İMKB 100 Endeksinin Yapay Sinir Ağları ve Newton Nümerik Arama Modelleri ile tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi, 4 (1), 73-88
3. Babu, A.S., Reddy, S.K. (2015). Exchange rate forecasting using ARIMA. Neural Network and Fuzzy Neuron, Journal of Stock Forex Trading,4, 155
4. Bonaccorso, G., (2017). Machine Learning algorithms. Birmingham: Packt Publishing
5. Box, G. E. P., Jenkins, G. M., Ljung, G. M. (2016). Time series analysis: Forecasting and control. 5th Edition, NJ: John Wiley and Sons
6. Box, G, E, P., Jenkins, G, M. (1970). Time series analysis forecasting and control. San Francisco: Holden Day Inc
7. Borsa İstanbul, Veriler, Geçmişe dönük veri satışı. Borsa İstanbul Tarihsel ve Referans Veri Platformu. Erişim: 01.09.2023. https://datastore.borsaistanbul.com/
8. Borsa İstanbul, Endeksler, Halka arz endeksi. Erişim: 09.09.2023. https://borsaistanbul.com/tr/sayfa/166/bist-halka-arz-endeksi

9. Breiman L., (2001). Random forests. Machine Learning, 45(1):5-32
10. Brooks, C., (2014). Introductory econometrics for finance. 3rd Edition, NY: Cambridge University Press
11. Chen, Z., Li, C., Sun, W. (2020). Bitcoin price prediction using Machine Learning: An approach to sample dimension engineering. Journal of Computational and Applied Mathematics, 365, 112395
12. Chen, T., Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System, In Proceedings of The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
13. Clarke B, Fokoue E, Zhang H. (2009). Tree-based classifiers. Principles and Theory for Data Mining and Machine Learning. 1st Edition, London NY: Springer Dordrecht Heidelberg, p.262.
14. Desai, V. S., Bharati, R. (1998). A comparison of Linear Regression and Neural Network Methods for predicting excess returns on large stocks. Annals of Operations Research, 78(0), 127-163
15. Emekli, G. (1995). Yararlanma bakımından Türkiye topraklarının bölünüşü ve zamanla gösterdiği değişmeler. Ege Coğrafya Dergisi, 8, 225-236
16. Fischer, T., Krauss, C. (2018). Deep Learning with Long Short-term Memory Networks for financial market predictions. European Journal of Operational Research, Vol. 270, 654-669
17. Fu, X., Du, J., Guo, Y., Liu, M., Dong, T., Duan, X. (2018). A Machine Learning framework for stock selection. Online: https://doi.org/10.48550/arXiv.1806.01743
18. Gündüz, H., Çataltepe, Z., Yaslan, Y. (2017). Derin Sinir Ağları ile borsa yönü tahmini. 25th Signal Processing and Communications Applications Conference (SIU)
19. Hanias, M., Thalassinos, E. L., Curtis, P. (2012). Time series prediction with Neural Networks for the Athens Stock Exchange indicator. European Research Studies Journal, 15(2), 23- 31
20. Ibbotson, R. G., Ritter, J. R. (1995). Handbooks in OR & MS. Chapter 30, Initial Public Offerings Investopedia, Initial public offering (IPO): What it is and how it Works. Erişim: 01.09.2023. https://www.investopedia.com/terms/i/ipo.asp
21. Kamuyu Aydınlatma Platformu, Endeksler, BIST Halka Arz. Erişim: 10.09.2023. https://www.kap.org.tr/tr/Endeksler Kilimci, Z. H. (2020). Borsa tahmini için Derin Topluluk Modelleri (DTM) ile finansal duygu analizi. Gazi Üniversitesi Mühendislik Mimarlık Fakülte Dergisi. 35(2), 635- 650
22. Krauss, C., Do, X. A., Huck, N. (2017). Deep Neural Networks, Gradient-boosted Trees, Random Forests: Statistical arbitrage on the S&P 500. European Journal of Operational Research, 259(2), 689-702
23. Kurtaran Ç.M. (2016). Firmaların ilk halka arz sonrası faaliyet performanslarının değerlendirilmesi: Borsa İstanbul örneği. Uluslararası Yönetim İktisat ve İşletme Dergisi, 12 (27), 267-282
24. Kutlu, B., Badur, B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim, Yıl:20,63, 25-4
25. Loughran, T, Ritter, J. R., Rydqvist K. (1994), Initial public offerings: International insights, Pacific-Basin Finance Journal, Vol.2, Issues 2–3,165-199
26. Maciel, L., Ballini, R. (2010). Neural Networks applied to stock market forecasting: An empirical analysis. Journal of the Brazilian Neural Network Society, 8(1), 3-22.
27. Mitchell, R.; Frank, E. (2017). Accelerating the XGBoost Algorithm Using GPU Computing, PeerJ Computer Science, Vol.3, 127-164
28. Olah, C., (2015). Understanding LSTM networks. Colah’s blog, Online: https://colah.github.io/posts/2015-08-Understanding-LSTMs/
29. Oncharen, P., Vateekul, P. (2018). Deep Learning for stock market prediction using event embedding and technical indicators. 5th International Conference on Advanced Informatics: Concept Theory and Applications (ICAICTA), 19-24
30. Özdemir, Ö. (2008). Zaman serisi modellemesinde yapay sinir ağlarının kullanımı ve bir uygulama. Anadolu Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Anabilim Dalı, Yüksek Lisans Tezi, https://earsiv.anadolu.edu.tr/xmlui/bitstream/handle/11421/5537/547648.pdf?sequence=1
31. Pabuçcu, H. (2019), Borsa endeksi hareketlerinin tahmini: Trend belirleyici veri. Selçuk Üniversitesi Sosyal Bilimler Yüksekokulu Dergisi, 22 (1), 246-256
32. Pešterac, A. (2020). The importance of initial public offering for capital market development in developing countries. Economic Themes, 58(1), 97-115
33. Ritter, J.R. (1991). The long-run performance of initial public offerings. The Journal of Finance, 46, 3-27
34. Ruiz Gazen, A, Villa N. (2007). Storms prediction: Logistic regression vs. random forest for unbalanced data. Case Studies in Business, Industry, and Government. Statistics (CSBIGS), 1(2):91-101
35. Sermaye Piyasası Kurulu, (2022). Yatırımcı bilgilendirme kitapçıkları, Halka arz https://spk.gov.tr/data/61e34f9a1b41c61270320792/10-Halka%20Arz.pdf
36. Siami Namini, S., Namin, A. S. (2018). Forecasting economics and financial time series: ARIMA vs. LSTM. Texas Tech University, Department of Agricultural and Applied Economics, https://arxiv.org/ftp/arxiv/papers/1803/1803.06386.pdf
37. Smith, J., Johnson, J., (2020). Ortalama Mutlak Yüzde Hata (MAPE) yöntemi ile tahmin değerlendirmesi. Veri Analizi ve Tahminde İleri Yöntemler Dergisi, 25(3), 345-36
38. Telli, Ş. Coşkun, M. (2016). Forecasting the BIST 100 Index using Artificial Neural Networks with consideration of the economic calendar. International Review of Economics And Management, 4 (3), 26-46
39. Thawornwong, S., Enke, D., Dagli, C. (2003). Neural Networks as a decision maker for stock trading: A technical analysis approach. International Journal of Smart Engineering System Design, 5(4), 313-325
40. Tkac, M., Verner, R. (2016). Artificial Neural Networks in business: Two decades of research, Applied Soft Computing, 38, 788-804
41. Tsay, R.S. (2010). Analysis of financial time series, 3rd Edition, NY: John Wiley and Sons Türkiye Cumhuriyet Merkez Bankası, İstatistikler, Gösterge niteliğindeki Merkez Bankası kurları. Erişim: 01.09.2023. https://www.tcmb.gov.tr/wps/wcm/connect/tr/tcmb+tr/main+menu/istatistikler/doviz+kurlari/gosterge+niteligindeki+merkez+bankasi+kurlarii
42. Wang, J., Wang, J. (2015). Forecasting stock market indexes using principle component analysis and stochastic time effective. Neural Networks. Neurocomputing, 156, 68–78
43. Weibo, L., Zidong, W., Xiaohui, L., Nianyin, Z., Yurong, L., Fuad, A. (2016). A survey of Deep Neural Network Architectures and their applications, Neurocomputing, 234
44. Velankar, S., Valecha, S., Maji, S. (2018). Bitcoin price prediction using Machine Learning, 20th International Conference on Advanced Communication Technology (ICACT), IEEE, 144-147
45. Veri Analiz Platformu, Yatırımcı istatistikleri, Portföy dilimi bazında yatırımcı sayıları. Erişim: 09.09.2023. https://www.vap.org.tr/portfoy-dilimi-bazinda-yatirimci-sayilari Vergipedia, (2020). Türk şirketlerinin halka arz performansı yeterli mi. Erişim: 09.09.2023. https://vergipedia.com/makale/turk-sirketlerinin-halka-arz-performansi-yeterli-mi/
46. Yıldırım, D., Dursun A. (2016). Borsa İstanbul’daki İlk Halka Arzlarda İlk Gün Düşük Fiyat Anomalisi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30(1), 189-202
47. Yunpeng, L., Di, H., Junpeng, B., Yong, Q. (2017). Multi-step ahead time series forecasting for different data patterns based on LSTM Recurrent Neural Network, 14th Web Information Systems and Applications Conference (WISA), IEEE; 05-310