LR, C5.0, CART, DVM Yöntemlerini Kullanarak Hisse Senedi Getiri Sınıflandırma Tahmini Yapılması ve Kullanılan Yöntemlerin Karşılaştırılması: Türkiye’de BIST’de Bir Uygulama

Öz

Hisse senedi getiri sınıflandırma tahmini her zaman için yatırımcıların ve analizcilerin ilgisini çeken bir araştırma alanı olmuştur. Bu çalışmada BİST 100 endeksinde işlem gören kimya, kauçuk ve plastik ürünleri imalatı sanayinde yer alan, faaliyetleri 20092014 yılları arasında süreklilik gösteren 18 şirketin hisse senedi getirilerinde etkili olan faktörler belirlenerek, hisse senedi getirileri tahmin edilmeye çalışılmıştır. Söz konusu verilerin veri madenciliği yöntemlerinden olan LR analiz, C5.0 algoritması, CART algoritması ve DVM yöntemleri kullanılarak analiz işlemleri gerçekleştirilmiş, hisse senedi getiri sınıflandırma tahmininde anlamlı ve faydalı bilgileri ortaya çıkarmak için karar ağacına ait kurallar elde edilmiştir. Yapılan analizler sonucunda LR analizi %75, C5.0 algoritması %88, CART algoritması %89,8 ve DVM analizi %75,9’luk doğru sınıflandırma başarısı gerçekleştirmiştir. Pozitif ve negatif hisse senedi getiri sınıflandırma tahminine etki eden en önemli değişkenlerin “piyasa/defter değeri değişkeni”, “TÜFE değişkeni” ve “brüt kar marjı değişkeni” olduğu saptanmıştır. Yatırımcılar ve analizciler için önerdiğimiz modelin değişkenleri ile birlikte hisse senedi getiri tahmininde kullanılmasının uygun olabileceği gözlenmiştir

Anahtar Kelimeler

• Hisse Senedi Getiri Sınıflandırma Tahmini
• LR Analizi
• C5.0
• CART Algoritması
• DVM

Predicting Stock Return Classification through LR, C5.0, CART and SVM methods, and Comparing the Methods Used: An Application at BIST in Turkey

Öz

Predicting stock return classification is a research field that has always attracted the attention of investors and analysts. In this study, the factors that affected the stock returns were determined for 18 companies which were dealt at BIST 100 index, and operating to manufacture chemistry, rubber and plastic products, and were active between 2009 and 2014, after which their stock returns were predicted. Of all the data mining methods, relevant data were collected, and analyzed through LR analysis, C5.0 algorithm, CART algorithm and SVM methods. Accordingly, some rules were obtained out of the decision tree in order to reveal significant and beneficial information for predicting the stock return classification. As a result of the analyses, LR analysis showed 75% of success, C5.0 algorithm showed 88% of success, CART algorithm showed 89.8% of success, and SVM analysis showed 75.9% of success for accurate classification. It was determined that the most important variables influencing positive and negative predictions of the stock return classification were ‘market/book value variable’, ‘CPI variable’ and ‘gross profit margin variable’. Using the studied model and its variables for predicting stock return classification was observed to be convenient and was suggested for investors and analysts

Anahtar Kelimeler

• Predicting Stock Return Classification
• LR Analysis
• C5.0
• CART Algorithm
• SVM

Kaynakça

1. Abe, S. (2005) Support Vector Machines For Pattern Classification. London, Springer.
2. Akcan, A. ve Kartal, C. (2011) “İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini”Muhasebe ve Finansman Dergisi, 27-40.
3. Akpınar, H. (2014) Data Veri Madenciliği Veri Analizi, Papatya Yayıncılık, İstanbul.
4. Alpar, R. (2013) Çok Değişkenli İstatistiksel Yöntemler, 4. Baskı. Ankara, Detay Yayıncılık.
5. Alpaydın, E. (2011) Yapay Öğrenme, İstanbul, Boğaziçi Üniversitesi Yayınevi.
6. Altay, E. ve Satman, M. H. (2005) “Stock Market Forecasting: Artificial Neural Network And Linear Regression Comparison In An Emerging Market” Journal of Financial Management & Analysis, 18(2).
7. Atan, M., Atan, S. ve Özdemir, Z. A. (2009) “Hisse Senedi Piyasasında Zayıf Formda Etkinlik: İMKB Üzerine Ampirik Bir Çalışma”Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 24(2), 33-48.
8. Avcı, E. (2009) “Stock Return Forecasts With Artificial Neural Network Models” Marmara Üniversitesi İ.İ.B.F Dergisi, 26(1), 443-461.

9. Avcı, E. ve Çinko, M. (2008) “Endeks Getirilerinin Yapay Sinir Ağları Modelleri İle Tahmin Edilmesi: Gelişmekte Olan Avrupa Borsaları Uygulaması” İktisat İşletme ve Finans, 137-114 ,)266(23.
10. Ayhan, S. ve Erdoğmuş, Ş. (2014) “Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi” Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 9(1), 175-198.
11. Barak, S. ve Modarres, M. (2015) “Developing an approach to evaluate stocks by forecasting effective features with data mining methods” Expert Systems with Applications, 42(3), 1325-1339.
12. Bekçioğlu, S. ve Ada, E. (1985) “Menkul Kıymetler Piyasası Etkin mi?” Muhasebe Enstitüsü Dergisi, Sayı 41.
13. Bekçioğlu, S., Öztürk, M. ve Doğanlı, B. (2004) “Türk Hisse Senedi Piyasasının Zayıf Şekilde Etkinliğinin Test Edilmesi” Muhasebe ve Finansman Dergisi, 22: s.39-48.
14. Berry, M.J. ve Linoff, G.S. (2004) Data mining techniques: for marketing, sales and customer relationship management, John Wiley & Sons.
15. Buguk, C. Ve Brorsen, B. (2003) “Testing weak-form market efficiency: Evidence from the Istanbul Stock Exchange”International Review of Financial Analysis, 12(5), 579-590.
16. Burges, C. J. C. (1998) A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery: Boston, USA: Kluwer Academic Publishers.
17. Campbell, C. ve Ying, Y. (2011) Learning with support vector machines. Synthesis Lectures on Artificial Intelligence and Machine Learning. San Rafael: Morgan & Claypool Publishers. LR, C5.0, CART, DVM Yöntemlerini Kullanarak Hisse Senedi Getiri Sınıflandırma Tahmini Yapılması ve Kullanılan Yöntemlerin Karşılaştırılması: Türkiye’de BIST’de Bir Uygulama 477
18. Cao, Q., Parry, M. E., ve Leggio, K. B. (2011) “The threefactor model and artificial neural networks: predicting stock price movement in China” Annals of Operations Research, 185(1), 25-44.
19. Chang, P. C., Fan, C. Y., ve Lin, J. L. (2011) “Trend discovery in financial time series data using a case based fuzzy decision tree” Expert Systems with Applications, 38(5), 6070-6080.
20. Chang, T. S. (2011). “A comparative study of artificial neural networks, and decision trees for digital game content stocks price prediction” Expert Systems with Applications, 38(12), 14846-14851.
21. Cheng, J. H., Chen, H. P., ve Lin, Y. M. (2010) “A hybrid forecast marketing timing model based on probabilistic neural network, rough set and C4. 5” Expert systems with Applications, 37(3), 1814-1820.
22. Çokluk, Ö., Şekercioğlu, G., ve Büyüköztürk, Ş. (2012) Sosyal Bilimler İçin Çok Değişkenli İstatistik SPSS ve Lisrel Uygulamaları, Pegem Akademi, Ankara.
23. Dayı, F. ve Ata, H.A. (2012) Yapay Sinir Ağı ile Hisse Senedi Getirisi Tahmini: Bir Firma Uygulaması, 16. Finans Sempozyumu, 10-13 Ekim 2012, Erzurum, 181- 194.
24. de Oliveira, F. A., Nobre, C. N.,ve Zarate, L. E. (2013) “Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index–Case study of PETR4, Petrobras, Brazil” Expert Systems with Applications, 40(18), 7596- 7606.
25. Dutta, A., Bandopadhyay, G., ve Sengupta, S. (2012) “Prediction of Stock Performance in the Indian Stock Market Using Logistic Regression” International Journal of Business & Information, 7(1).
26. Ege, İ. ve Bayrakdaroğlu, A. (2009) “İMKB Şirketlerinin Hisse Senedi Getiri Başarılarının Lojistik Regresyon Tekniği İle Analizi”ZKÜ Sosyal Bilimler Dergisi, Cilt 5, Sayı 10, ss. 139–158.
27. Eken, H. ve Adalı, S. (2008). Piyasa Etkinliği ve İMKB: Zayıf Formda Etkinliğe İlişkin Ekonometrik Bir Analiz. Muhasebe ve Finansman Dergisi, (37).
28. Elton Edwin J. ve Martin J. Gruber (1981) Modern Portfolio Theory, Second Edition, John Wiley & Sons.
29. Enke, D. ve Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with applications, 29(4), 927-940.
30. Ergül, N. (2009) “Ulusal Hisse Senedi Piyasasında Etkinlik” Yönetim Bilimleri Dergisi (7:1 Journal of Administrative Sciences, ss.101-117.
31. Fama, E. F. (1970) “Efficient capital markets: A review of theory and empirical work” The Journal of Finance, 25(2), 383-417.
32. Field, A. (2005) Discovering statistics using SPSS, 2rd Edition, London, Sage Publications.
33. Grabczewski, K. (2014) Meta-learning in decision tree induction. Springer.
34. Hair, J.F., Black, W.C., Babin, B., Anderson, R.E., ve Tatham, R.L. (2010) Multivariate data analysis, Seventh Edition, Pearson Prentice Hall Publishing, New Jersey.
35. Hamel, L.H. (2009) Knowledge Discovery with Support Vector Machines. New Jersey: Wiley Publication.
36. Han, J. ve Kamber, M. (2006) Data Mining: Concepts and Techniques, The Morgan Kaufmann.
37. Hargreaves, C. ve Hao, Y. (2013) “Prediction of Stock Performance Using Analytical Techniques” Journal of Emerging Technologies in web Intelligence, Vol.5., No.,2, 136-142.
38. Haykin S. (1999) Neural Networks: A Comprehensive Foundation [Elektronik Sürüm], Prentice Hall Inc, New Jersey.
39. Hosmer, D.W. ve Lemeshow, S. (2000) Applied Lojistic Regression, Second Edition, A Wiley-Interscience Publication, New York.
40. Huang, C.J., Yang, D.X., ve Chuang, Y.T. (2008) Application of Wrapper Approach And Composite Classifier To Stock Trend Prediction, Expert Systems with Applications, 34(4), 2870-2878.
41. Ince, H. Ve Trafalis, T. B. (2008) “Short term forecasting with support vector machines and application to stock price prediction” International Journal of General Systems, 37(6), 677-687.
42. Kahraman, D. ve Erkan, M. (2005) “İstanbul Menkul Kıymetler Borsası’nda Tesadüfi Yürüyüş Testi” Celal Bayar Üniversitesi, İİBF, Yönetim ve Ekonomi Dergisi, 12(1), 11-24.
43. Kalaycı, Ş. (2008) SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri, 3.Baskı, Ankara, Asil Yayın.
44. Kara, Y., Boyacioglu, M. A., ve Baykan, Ö. K. (2011) “Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange” Expert systems with Applications, 38(5), 5311-5319.
45. Kıyılar, M. (1997) Etkin pazar kuramı ve etkin pazar kuramının İMKB’de irdelenmesi: test edilmesi. Sermaye Piyasası Kurulu, Ankara.
46. Lai, R. K., Fan, C. Y., Huang, W. H., ve Chang, P. C. (2009) “Evolving and clustering fuzzy decision tree for Emre YAKUT, Eray GEMİCİ 478 financial time series data forecasting” Expert Systems with Applications, 36(2), 3761-3773.
47. Lam, M. (2004) “Neural network techniques for financial performance prediction: integrating fundamental and technical analysis”Decision Support Systems, 37(4), 567-581.
48. Larose, D.T., ve Larose, C.D. (2014) Discovering Knowledge In Data An Introduction To Data Mining, New Jersey: John Wiley & Sons.
49. Lu, C. L. ve Chen, T. C. (2009) “A study of applying data mining approach to the information disclosure for Taiwan’s stock market investors” Expert Systems with Applications, 36(2), 3536-3542.
50. Menard, S. (2002) Applied Lojistic Regression Analysis, Second Edition, Sage Publication, London.
51. Mertler, C.A. ve Vannatta, R.A. (2005) Advanced and Multivariate Statistical Methods: Practical Application and Interpretation, CA: Pyrczak Publishing.
52. O’Connell, A.A. (2006) Logistic Regression Models for Ordinal Response Variables. Thousand Oaks, Sage Publications, London.
53. Ou, P. ve Wang, H. (2009) “Prediction of stock market index movement by ten data mining techniques” Modern Applied Science, 3(12), 28–42.
54. Öğüt, H., Doğanay, M. M., ve Aktaş, R. (2009) “Detecting stock-price manipulation in an emerging market: The case of Turkey” Expert Systems with Applications, 36(9), 11944-11949.
55. Öz, B., Ayrıçay, Y., ve Kalkan, G. (2011) “Finansal Oranlarla Hisse Senedi Getirilerinin Tahmini: İMKB 30 Endeksi Hisse Senetleri Üzerine Diskriminant Analizi İle Bir Uygulama” Anadolu Üniversitesi Sosyal Bilimler Dergisi, 11(3), 51-64.
56. Özdamar, K. (2004) Paket Programlar İle İstatiksel Veri Analizi. Genişletilmiş 5.Baskı. Eskişehir, Kaan Kitabevi.
57. Özdemir, A. K., Tolun, S., ve Demirci, E. (2011) “Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği” Niğde Üniversitesi İİBF Dergisi, 4 (2), 45-59.
58. Özkan, Y. (2008) Veri Madenciliği Yöntemleri, Papatya Yayıncılık, İstanbul.
59. Panda, C., ve Narasimhan, V. (2006) “Predicting Stock Returns An Experiment of the Artificial Neural Network in Indian Stock Market” South Asia Economic Journal, 7(2), 205-218.
60. Patel, J., Shah, S., Thakkar, P., ve Kotecha, K. (2015) “Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques” Expert Systems with Applications, 42(1), 259-268.
61. Ren, N., Zargham, M., ve Rahimi, S. (2006) “A decision tree-based classification approach to rule extraction for security analysis” International Journal of Information Technology & Decision Making, 5(01), 227- 240.
62. Quinlan, J.R. (1993) C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers Inc. San Francisco, CA, USA.
63. Quinlan, J.R. (1996) “Improved use of continuous attributes in C4.5” Journal of Artificial Intelligence Research, 4:77-90.
64. Scholkopf, B. ve Smola A.J. (2002) Learning with Kernels, Cambridge: MIT Press.
65. Sevim, Ş., Yıldız, B., ve Akkoç, S. (1997) “Aşırı Tepki Verme Hipotezi ve İMKB Üzerine Ampirik Bir Çalışma” UMKB Dergisi, Cilt 9 Sayı 35, ss.23-39.
66. Seyrek, İ.H., ve Ata, H. A. (2010) “Veri Zarflama Analizi ve Veri Madenciliği ile Mevduat Bankalarında Etkinlik Ölçümü”, BDDK Bankacılık ve Finansal Piyasalar Dergisi, Cilt 4, Sayı:2, ss 67-84.
67. Shahnaz, F. (2006) Decision Tree Based Algorithms, Michael W. Berry (Ed.), Lecture Notes in Data Mining, USA: World Scientific Publisher.
68. Tayyar, N. ve Tekin, S. (2013) “IMKB 100 Endeksinin Destek Vektör Makineleri ile Günlük, Haftalık ve Aylık Veriler Kullanarak Tahmin Edilmesi” Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 13(1), 189- 218.
69. Tektaş, A., ve Karataş, A. (2004) “Yapay Sinir Ağları ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 337-349 ,)4-3( 18.
70. Thawornwong S. ve Enke, D. (2004) “The adaptive selection of financial and economic variables for use with artificial neural networks” Neurocomputing, 56, 205–232.
71. Toraman, C. (2008) “Demir-Çelik Sektöründe Yapay Sinir Ağları İle Hisse Senedi Fiyat Tahmini: Erdemir A.Ş. ve Kardemir A.Ş. Üzerine Bir Tahmin Uygulaması” Muhasebe ve Finansman Dergisi, Sayı:39, s.44-57.
72. Tsai, C. F. ve Hsiao, Y. C. (2010) “Combining multiple feature selection methods for stock prediction: Union, intersection, and multi-intersection approaches” Decision Support Systems, 269-258 ,)1(50.
73. Tsai, C. F., Lu, Y. H., ve Yen, D. C. (2012) “Determinants of intangible assets value: The data mining approach”Knowledge-Based Systems, 31, 67-77.
74. Tsai, C.F., Lin, Y.C., Yen, D. C., ve Chen, Y.M. (2011) “Predicting stock returns by classifier ensembles” Applied Soft Computing, 11, 2452–2459.
75. LR, C5.0, CART, DVM Yöntemlerini Kullanarak Hisse Senedi Getiri Sınıflandırma Tahmini Yapılması ve Kullanılan Yöntemlerin Karşılaştırılması: Türkiye’de BIST’de Bir Uygulama 479
76. Tunçel, A. K. (2007) “Rassal Yürüyüş (Random Walk) Hipotezinin İMKB’de Test Edilmesi: Koşu Testi Uygulaması” Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(2), 1-18.
77. Vapnik, V. N. (1995) The Nature of Statistical Learning Theory, NewYork: Springer-Verlag.
78. Vapnik, V.N. ve Chervonenkis A. (1974) Theory of Pattern Recognition (in Russian), Nauka, Moscow. (German translation: W.N. Wapnik, A. Ja.
79. Tschervonenkis (1979), Theorie der Zeichenerkennung, Akademie-Verlag, Berlin.
80. Yildiz, B., Coskun, M., ve Yalama, A. (2008) “Forecasting the Istanbul Stock Exchange National 100 Index Using an Artificial Neural Network”Proceedings of World Academy of Science: Engineering & Technology, 48.
81. Zengin, H. ve Kurt, S. (2004) “IMKB’nin Zayıf ve Yarı Güçlü Formda Etkinliğinin Ekonometrik Analizi” Öneri Dergisi, 21(6), 145-152.
82. Zeren, F., Kara, H., ve Arı, A. (2013) “Piyasa Etkinliği Hipotezi: İMKB İçin Ampirik Bir Analiz” Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (36), 141-148.
83. Zhang, X., Hu, Y., Xie, K., Wang, S., Ngai, E. W. T., ve Liu, M. (2014) “A causal feature selection algorithm for stock prediction modeling” Neurocomputing, 142, 48- 59.
84. Zivot, E. (2007) Introduction to Computational Finance and Financial Econometrics, Chapter 1 Asset Return Calculations.