Forecasting of Morgan Stanley Capital International Turkey Index with Artificial Neural Networks

Yıl 2012, Cilt: 12 Sayı: 4, 541 - 547, 01.09.2012

Nuray Güneri Tosunoğlu Yasemin Keskin Benli

Öz

Forecasting of the stock exchange index future values with time series analysis has a great interest in finance field. There are different methods of time series used for the stock market index forecasting. One of these methods is Artificial Neural Networks (ANN) used in many studies in recent years. Artificial neural networks do not require prior conditions and they have a flexible modeling structure. For this reason, artificial neural networks are superior when compared with other methods of time-series. In this study, we aimed to forecast the Morgan Stanley Capital International (MSCI) Turkey indexby artificial neural network. Data period is December 1987-August 2008. We used feed-forward network modeling consisting of 12 input, 11 hidden and 1 output neurons. As performance criteria the root mean square error was selected and its value was calculated as 0.1131. As a result successful predictions were obtained

Anahtar Kelimeler

Stock exchange, MSCI Turkey index, time series analysis, artificial neural networks, forecasting

Morgan Stanley Capital International Türkiye Endeksinin Yapay Sinir Ağları ile Öngörüsü

Öz

Zaman serisi analizi ile borsa endeksinin gelecek değerlerini öngörme, finans alanında oldukça ilgi gören bir konudur. Borsa endeks öngörüsü için kullanılan farklı zaman serisi yöntemleri bulunmaktadır. Bu yöntemlerden biri, son yıllarda birçok araştırmada kullanıldığı görülen Yapay Sinir Ağları (YSA)’dır. Yapay sinir ağlarının, diğer zaman serisi yöntemleri ile karşılaştırıldığında, bazı ön koşullar gerektirmemesi ve esnek bir modelleme yapısı olması nedeniyle daha üstün olduğu yapılan çalışmalarla ortaya konulmuştur. Bu çalışmada Morgan Stanley Capital International (MSCI) Türkiye endeksinin aylık değerlerine ilişkin öngörülerin yapay sinir ağları ile elde edilmesi amaçlanmıştır. Çalışmanın verileri Aralık 1987-Ağustos 2008 dönemini kapsamaktadır. Uygulamada, 12 girdi, 11 gizli ve 1 çıktı nöronundan oluşan ileri beslemeli bir ağ modeli kullanılmıştır. Performans ölçütü, hata kareler ortalamasının karekökü olarak seçilmiş ve değeri 0,1131 olarak hesaplanmıştır. Çalışma sonucunda YSA ile endeks değerlerine ilişkin, başarılı öngörüler elde edilmiştir

Anahtar Kelimeler

Borsa, MSCI Türkiye endeksi, zaman serisi analizi, yapay sinir ağları, öngörü

Kaynakça

• Akel, V. ve Bayramoğlu, M.F. (2008) “Kriz Dönemlerinde Yapay Sinir Ağları İle Finansal Öngörüde Bulunma: İMKB 100 Endeksi Örneği” International Symposium on International Capital Flows and Emerging Markets, 24-27 Nisan, Balıkesir.
• Altay, E. ve Satman, M.H. (2005) “Stock Market Forecasting: Artificial Neural Networks and Linear Regression Comparison in aAn Emerging Market” Journal of Financial Management and Analysis, 18(2):18- 33.
• Avcı, E. (2007) “Forecasting Daily AndSessional Returns of The ISE-100 Index With Neural Network Models” Doğuş Üniversitesi Dergisi, 8(2):128-142.
• Avcı, E. ve Çinko, M. (2008) “Endeks Getirilerinin Yapay Sinir Ağları Modelleri İle Tahmin Edilmesi: Gelişmekte Olan Avrupa Borsaları Uygulaması” İktisat, İşletme ve Finans Dergisi, 23(266):114-137.
• Benli, Y.K. (2002) “Finansal Başarısızlığın Ş. (2005) “Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi” Balıkesir Üniversitesi Bandırma İktisadi ve İdari Bilimler Fakültesi Akademik Fener Dergisi, 2(1):22-48.
• Benli, Y.K. (2005) “Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon Ve Yapay Sinir Ağı Karşılaştırması” Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, 16:31-46.
• Cao, Q., Leggio K.B. ve Schniederjans M.J. (2005) “A Comparison Between Fama and French’s Model and Artificial Neural Networks in Predicting The Chinese Stock Market” Computers&Operations Research, 32(10):2499-2512
• Diler, A.İ. (2003) “İMKB Ulusal 100 Endeksinin Yönünün Yapay Sinir Ağları: Hata Geriye Yayma Yöntemi İle Tahmin Edilmesi” İMKB Dergisi, 7(25-26):66-81.
• Eğrioğlu, E. ve Aladağ, Ç.H. (2005) “Yapay Sinir Ağları ve Arıma Modellerin Melez Yaklaşımı ile Zaman Serilerinde Öngörü” İstanbul Üniversitesi VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs, İstanbul.
• Elmas, Ç. (2003)Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama) Ankara, Seçkin Yayınları.
• Erilli, N.A., Eğrioğlu, E., Yolcu, U., Aladağ, Ç.H. ve Uslu, V.R. (2010) “Türkiye’de Enflasyonun İleri ve Geri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı İle Öngörüsü” Doğuş Üniversitesi Dergisi, 11(1):42-55.
• Fausett, L. (1994) Fundamentals of Neural Networks: Architectures, Algorithmsand Applications, USA, Prentice Hall.
• Günay, S., Eğrioğlu, E. ve Aladağ, H. (2007) Tek Değişkenli Zaman Serileri Analizine Giriş, Ankara, Hacettepe Üniversitesi Yayınları.
• Güneri, N. ve Apaydın, A. (2004) “Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı” Ticaret ve Turizm Eğitim Fakültesi Dergisi, 1:170-188.
• Hamzaçebi, C. ve Bayramoğlu, M.F. (2007) “Yapay Sinir Ağları ile İMKB 100 Endeksinin Tahmini” Dokuz Eylül Üniversitesi 27. Yöneylem Araştırması ve Endüstri Mühendisliği Ulusal Kongresi, Temmuz 2-4 , İzmir.
• Huang, W., Lai, K.K., Nakamori, Y., Wang, S. ve Yu, L. (2007) “Neural Networks in Finance and Economics Forecasting” International Journal of Information Technology & Decision Making, 6(1):113-140.
• Karaatlı, M., Güngör, İ., Demir, Y. ve Kalaycı,Ş. (2005) “Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi” Balıkesir Üniversitesi Bandırma İktisadi ve İdari Bilimler Fakültes Akademik Fener Dergisi, 2(1):22-48.
• Kim, T.Y., Hwang, C. ve Lee, J. (2004a) “Korean Economic Condition Indicator Using a Neural Network Trained on the 1997 Crisis” Journal of Data Science, 2(4):371-381.
• Kim, T.Y., Oh, K.J., Sohn, I. ve Hwang, C. (2004b) “Usefulness of Artificial Neural Networks for Early Warning System of Economic Crisis” Expert Systems With Applications, 26(4):583-590.
• Kurup, P.U. ve Dudani, N.K.,(2002) “Neural Networks For Profiling Stres History of Clays From Pcpt Data” Journal of Geotechnical&Geoenvironmental Engineering, 128(7):569-580.
• Kutlu, B. ve Badur, B. (2009) “Yapay Sinir Ağları ile Borsa Endeksi Tahmini” Yönetim, 20(63):25-40.
• Malliaris, M. ve Salchenberger, L. (1996) “Using Neural Networks to Forecast The S&P100 Implied Volatility” Neurocomputing, 10(2):183-195.
• Öztemel, E. (2003) Yapay Sinir Ağları, İstanbul, Papatya Yayınları.
• Phua, P.K.H., Ming, D. ve Lin, W. (2000) “Neural Network With Genetic Algorithms for Stocks Prediction” Fifth Conference of The Association of Asian-Pacific Operations Research Societies Proceedings, 5-7 July, Singapore.
• Tektaş, A. ve Karataş, A. (2004) “Yapay Sinir Ağları ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi” Atatürk Üniversitesi İktisadi ve İdari Modellemesi” Uluslararası İktisadi Ve İdari İncelemeler Bilimler Dergisi, 18(3-4):337-349. Dergisi, 2(5):21-40.
• Samanta, G.P. ve Bordoloi, S. (2005) “Predicting Stock Market- An Application of Artificial Neurol Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Network Technique Through Genetic Algorithm” Açık Şirketlerde Ampirik Bir Uygulama” İMKB Dergisi, Finance India, 19(1):173-188.
• Ulusoy, T. (2010) “İMKB Endeks Öngörüsü İçin İleri Beslemeli Ağ Mimarisine Sahip Yapay Sinir Ağı Modellemesi” Uluslararası İktisadi Ve İdari İncelemeler Dergisi, 2(5):21-40.
• Yıldız, B. (2001) “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama” İMKB Dergisi, 17:51-67.