Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi

Öz

Bu çalışmada BIST 100 endeks içinde yer alan şirketlere ait hisse senetlerinin birlikte hareketleri Kümeleme Analizi ve Birliktelik Kuralları Analizi ile incelenmiştir. Kümeleme Analizi için getiri, işlem hacmi (volume), fiyat oynaklığı, piyasa değeri, beta, piyasa değeri/defter değeri, özkaynaklar/ödenmiş sermaye, piyasa değeri/net satışlar (hasılat); birliktelik kuralları analizinde kapanış fiyatı değişken olarak kullanılmıştır. Çalışmada 06.12.2012-30.12.2022 dönemi incelemeye alınmıştır. Bu dönem için Kümeleme Analizi yapılmış daha sonra tüm hisse senetlerinin ve Kümeleme Analizi ile oluşan grupların kendi içerisinde birlikteliklerine bakılmıştır. Kümeleme Analizi için CLARA Algoritması kullanılmış, Birliktelik Kuralları Analizi için de FP-Growth Algoritmasından yararlanılmıştır. Kümeleme Analizi için R programlama dili, Birliktelik Kuralları Analizi içinde WEKA programı tercih edilmiştir. Çalışmanın sonucunda, Kümeleme Analizi ile hisse senetlerinin birbirleriyle olan bağlantıları, ardından Birliktelik Kuralları Analizi ile hisse senetlerinin hangilerinin birlikte hareket ettiği görülmüştür. Bu durum hem bireysel hem de kurumsal portföy yöneticilerine, portföy çeşitlendirme sürecinde hangi hisse senetlerine yönelebilecekleri konusunda yardımcı olacaktır. Ayrıca çok dinamik bir yapıya sahip olan hisse senedi piyasalarında yukarı veya aşağı yönlü fiyat değişimlerinde birbirine eşlik eden hisse senetlerinin belirlenmesi, yatırımcılara potansiyel kârlardan pay alma imkânı sağlayacaktır. Birlikte hareketi tespit edilen hisse senetlerinden bir tanesinin fiyatında görülen yukarı veya aşağı yönlü harekete diğer hisselerin de eşlik edebileceği olasılığı potansiyel kârı oluşturmaktadır. Araştırmadan elde edilen temel bulgulara göre bankacılık alanında faaliyet gösteren şirketler arasında çok yoğun bir birliktelik tespit edilmiştir. Ayrıca sektörel anlamda aynı sektör içerisinde faaliyet gösteren ilaç, beyaz eşya, demir çelik, perakende, enerji, petrokimya ve üretim şirketleri arasında birliktelik görülmektedir. Aile grup şirketleri ve gayrimenkul yatırım ortaklığı içerisinde yer alan şirketler arasında da birliktelik olduğu belirlenmiştir.

Anahtar Kelimeler

• Veri Madenciliği
• CLARA Kümeleme Algoritması
• FP-Growth Birliktelik Kuralları Analizi
• Portföy Yönetimi
• Hisse Seçimi

Examination of Stocks in the Istanbul Stock Exchange 100 Index With Clustering and Association Rules Analysis

Öz

In this study, the co-movements of the stocks of the companies in the BIST 100 index are analysed by Cluster Analysis and Association Rules Analysis. For the clustering analysis, yield, trading volume, price volatility, market value, beta, market value/book value, equity/paid capital, and market value/net sales (revenue) variables are used; for the association rules analysis, the closing price is taken as a variable. The period 06.12.2012 to - 30.12.2022 was analysed in the study. Cluster Analysis was conducted for this period, and the associations of all stocks and stocks for each cluster were also analysed. The CLARA algorithm was used for the cluster analysis, and the FP-Growth Algorithm was used for the association rules analysis. The R programming language was preferred for the cluster analysis, and the WEKA programme was preferred for the association rules analysis. Because of the study, Cluster Analysis was used to determine the interconnectedness of stocks and Association Rules Analysis was used to determine which stocks move together. This will help both individual and institutional portfolio managers in determining which stocks to focus on in the portfolio diversification process. In addition, identifying stocks that move in tandem with each other during upward or downward price changes in stock markets, which have a very dynamic structure, will provide investors with the opportunity to share in potential profits. The possibility that the upward or downward movement in the price of a stock whose co-movement is detected may be accompanied by other stocks constitutes potential profits. According to the main findings of the research, there is a very intense co-movement among the companies operating in the banking sector. In addition, there is a commonality among pharmaceutical, white goods, iron and steel, retail, energy, petrochemical and manufacturing companies operating in the same sector. There is also an association between family group companies and companies operating in real estate investment trusts.

Anahtar Kelimeler

• Data Mining
• CLARA Clustering Analysis
• FP-Growth Association Rules Analysis
• Portfolio Management
• Stock Selection

Kaynakça

1. Agrawal, R. & Srikant, R. (1994). Fast Algorithms for Mining Association Rules in Large Databases. Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, 487-499. google scholar
2. Alkarkhi, A.F.M. & Alqaraghuli, W.A.A. (2019). Cluster Analysis. Easy Statistics for Food Science with R, Academic Press Elsevier. google scholar
3. Argiddi, R. & Apte, S.S. (2012). Future Trend Prediction of Indian IT Stock Market using Association Rule Mining of Transaction Data. International Journal of Computer Applications, 39(10), 30-34. google scholar
4. Ata Yatırım, https://atayatirim.com.tr/arastirma-raporlari-detay?reportId=10759 (Erişim Tarihi: 13.07.2023). google scholar
5. Ateş, Y. & Karabatak, M. (2017). Nicel Birliktelik Kuralları İçin Çoklu Minimum Destek Değeri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 57-65. google scholar
6. Bahar, D. (2022). BIST100 Şirketlerinin Değerlemelerinde Piyasa Değeri/Defter Değeri Ve Fiyat/Kazanç Oranlarının Etkinliği. Yüksek Lisans Tezi, Ufuk Üniversitesi Sosyal Bilimler Enstitüsü, Ankara. google scholar
7. Bala, A., Shuaibu, M.Z., Lawal, Z.K. & Zakari, R.Y. (2016). Performance Analysis of Apriori and FP-Growth Algorithms (Association Rule Mining). International Journal of Computer Applications in Technology & Applications, 7(2), 279-293. google scholar
8. Baydaş, M. & Eren, T. (2021). Finansal Performans Ölçümünde ÇKKV Yöntem Seçimi Problemine Objektif Bir Yaklaşım: Borsa İstanbul’da Bir Uygulama. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 16(3), 664-687. google scholar

9. Bayram, S.S. (2022). Bankacılık Rekabetinde Şube Lokasyonlarının Birliktelik Kuralları ile Analizi. Doktora Tezi, Karabük Üniversitesi Sosyal Bilimler Enstitüsü, Karabük. google scholar
10. Berkhin, P. (2002). Survey of Clustering Data Mining Techniques. Accrue Software Inc.. California: San Jose. google scholar
11. Bezdek, J.C. & Hathaway, R.J. (2002). VAT: A Tool for Visual Assessment of (Cluster) Tendency. Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN’02 (Cat.No.02CH37290), 3, 2225-2230. google scholar
12. Bulduk, S. & Ecer, F. (2023). Entropi-Aras Yaklaşımıyla Kripto Para Yatırım Alternatiflerinin Değerlendirilmesi. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 14(37), 314-333. google scholar
13. Changalasetty, S.B.. vd. (2021). Using EM Technique for Juvenile Crime Zoning. 2021 5th International Conference on Information Systems and Computer Networks (ISCON), Mathura, India, 1-6. google scholar
14. Chen, M., Gao, X. & Li, H. (2009). An Efficient Parallel FP-Growth Algorithm. 2009 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, 283-286. google scholar
15. Çelik, T.B. (2016). İşlem Hacmi Değişimlerinin Fiyatlar Üzerindeki Etkisi ve Bist’de Uygulaması. Yüksek Lisans Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul. google scholar
16. Çelik. E. (2020). Gayrimenkul Yatırım Ortaklıklarında Piyasa Değeri ve Aktif Karlılığı Etkileyen Finansal Oranların Panel Veri Analizi Yöntemiyle Belirlenmesi.Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul. google scholar
17. Desfiandi, A., Desfiandi, A. & Ali, H. (2017). Composite Stock Price Index (IHSG) Macro Factor in Investment in Stock (Equity Funds). International Journal of Economics and Financial Issues, 7(3), 534-536. google scholar
18. Diwate, R. & Sahu, A. (2014). Data Mining Techniques in Association Rule: A Review. International Journal of Computer Science and Information Technologies (IJCSIT), 5(1), 227 -229. google scholar
19. Erdem, K., Koy, A. & Akdağ, S. (2020). Pay Endekslerinde En Yüksek Fiyat Oluşumu ile İşlem Hacmi Arasındaki İlişki: Doğrusal Analizler ve Frekans Alanı Nedensellik Analizi ile Karşılaştırmalı Bir Yaklaşım. Uluslararası Ekonomi ve Yenilik Dergisi, 6(2), 157-173. google scholar
20. Erpolat, S. (2012). Otomobil Yetkili Servislerinde Birliktelik Kurallarının Belirlenmesinde Apriori ve Fp-Growth Algoritmalarının Karşılaştırılması. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12(2), 137-146. google scholar
21. Galimberti, G. & Soffritti, G. (2007). Model-Based Methods to Identify Multiple Cluster Structures in a Data Set. Computational Statistics & Data Analysis, 52, 520-536. google scholar
22. Gazel, S. (2017). Hisse Senedi Piyasalarında İşlem Hacmi ve Volatilite İlişkisi: Kırılgan Beşli Ekonomiler Üzerine Bir İnceleme. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(2), 347-363. google scholar
23. Gedik Yatırım, https://gedik.com/hizmetler/arastirma-ve-analiz#2 (Erişim Tarihi: 14.07.2023). google scholar
24. Gemici, B. (2012).Veri Madenciliği ve Bir Uygulaması.Yüksek Lisans Tezi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir. google scholar
25. Gürler, C. (2022). R Programlama Dili ile Kümeleme Analizi. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 22(2), 341-366. google scholar
26. Gürtay, E. (2017). İşlem Hacmi ve Hisse Senedi Fiyatları Arasındaki İlişki Üzerine Borsa İstanbul’da Bir Uygulama. Yüksek Lisans Tezi, Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü, Gümüşhane. google scholar Halk Yatırım, https://analizim.halkyatirim.com.tr/, (Erişim Tarihi: 13.07.2023). google scholar
27. Han, J., Pei, J. & Kamber, M. (2006). Data Mining. Southeast Asia Edition. Elsevier Science & Technology. 2006. ProQuest Ebook Central. http://ebookcentral.proquest.com/lib/suleymanebooks/detail.action?docID=291712. google scholar
28. Han. J., Pei, J. & Kamber, M. (2011). Data Mining: Concepts and Techniques: Concepts and Techniques. Elsevier Science & Technology. Third Edition, San Francisco: Morgan Kaufmann. google scholar
29. Han., J., Pei, J., Yın, Y. & Mao, R. (2004). Mining Frequent Patterns without Candidate Generation: A Frequent-Pattern Tree Approach. Data Mining and Knowledge Discovery, 8(1), 53-87. google scholar
30. Info Yatırım, https://infoyatirim.com/arastirma/analiz/sektorel-gostergeler (Erişim Tarihi: 13.07.2023). google scholar
31. Ingram, M. & Margetis, S. (2010). A Practical Method to Estimate the Cost of Equity for a Firm Using Cluster Analysis. Managerial Finance, 36(2), 160-167. google scholar
32. Investing.Com, https://tr.investing.com/equities/turk-hava-yollari (Erişim Tarihi: 14.07.2023). google scholar
33. Işıldak, M.S. (2020). Finansal Oranların Piyasa Değeri/Defter Değeri Oranına Etkisinin Panel Veri Analiziyle İncelenmesi: BIST’te Kayıtlı Dokuma, Giyim Eşyası ve Deri Sektöründe Uygulama. Ekonomik Yaklaşım Derneği, 30(111), 71-100. google scholar
34. Jobson, J.D. (1994). Applied Multivariate Data Analysis: Volume II: Categorical and Multivariate Methods, New York: Springer. google scholar
35. Kaderli, Y. (2001). Bir Hisse Senedi Portföyü Oluşturmada Çeşitlendirme Aracı Olarak Banka Hisseleri. Yayınlanmamış Yüksek Lisans Tezi, Adnan Menderes Üniversitesi Sosyal Bilimler Enstitüsü, Aydın. google scholar
36. Kantardzıc, M. (2003). Data Mining Concepts. Models. Methods and Algorithms, IEEE. 1-18. google scholar
37. Karaatlı, M., Kocabıyık, T., Yalçıner Çal, D. & Çolak, M. (2021). BIST-30 Endeksinde Yer Alan Payların Ortak Hareketlerinin Veri Madenciliği Kapsamında Birliktelik Kuralı ile İncelenmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(25), 548-571. google scholar
38. Karataş Elçiçek, Y. (2020). Vadeli İşlem Sözleşmelerini Getiri, İşlem Hacmi ve Volatilite Bazında Etkileyen Faktörlerin Belirlenmesi ve Etkilerinin Analizi Üzerine Ampirik Uygulamalar. Doktora Tezi, Manisa Celal Bayar Üniversitesi Sosyal Bilimler Enstitüsü, Manisa. google scholar
39. Karpio, K., Lukasewicz, P., Orlowski, A. & Z^bkowski, T. (2013). Mining Associations on the Warsaw Stock Exchange. Acta Physica Polonica A., 123(3), 553-559. google scholar
40. Khalfallah, J. & Slama, J.B.H. (2018). A Comparative Study of the Various Clustering Algorithms in E- Learning Systems Using Weka Tools. 2018 JCCO Joint International Conference on ICT in Education and Training. International Conference on Computing in Arabic, and International Conference on Geocomputing (JCCO: TICET-ICCA-GECO), Hammamet, Tunisia, 1-7. google scholar
41. Kocabıyık, T., Karaatlı, M. & Aktaş, K.B. (2021). Borsa İstanbul 30 Endeksinde Yer Alan Hisse Senetlerinin Kümelenmesi: COVID-19 Öncesi ve COVID-19 Dönemi İncelemesi. İşletme Araştırmaları Dergisi,13(3), 2537-2551. google scholar
42. Koldere Akın, Y. (2008). Veri Madenciliğinde Kümeleme Algoritmaları ve Kümeleme Analizi. Doktora Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü. İstanbul. google scholar
43. Köse, İ. (2018). Veri Madenciliği Teori Uygulama ve Felsefesi. İstanbul: Papatya Bilim. google scholar
44. Liao, S-H. & Chou, S-Y. (2013). Data Mining Investigation of Co-Movements on the Taiwan and China Stock Markets for Future Investment Portfolio. Expert Systems with Applications, 40(5), 1542-1554. google scholar
45. Liao, S-H., Ho. H-H. & Lin, H-W. (2008). Mining Stock Category Association and Cluster on Taiwan Stock Market. Expert Systems with Applications, 35(1-2), 19-29. google scholar
46. Liao, S-H., Pei-Hui, C. & Ying-Lu, Y. (2011). Mining the Co-Movement Between Foreign Exchange Rates and Category Stock Indexes in the Taiwan Financial Capital Market. Expert Systems with Applications, 38(4), 4608-4617. google scholar
47. Mcintosh, A.M., Sharpe, M. & Lawrie, S.M. (2010). Research Methods, Statistics and Evidence-Based Practice. Companion to Psychiatric Studies (Eighth Edition), Churchill Livingstone Elsevier. google scholar
48. Na, S.H. & Sohn, S.Y. (2011). Forecasting Changes in Korea Composite Stock Price Index (KOSPI) Using Association Rules. Expert Systems with Applications, 38(7), 9046-9049. google scholar
49. Nagpal, A., Jatain, A. & Gaur, D. (2013). Review Based on Data Clustering Algorithms. Proceedings of 2013 IEEE Conference on Information and Communication Technologies (ICT 2013), 298-303. google scholar
50. Ng, R.T. & Han, J. (1994). Efficient and Effective Clustering Methods for Spatial Data Mining. Proceedings of the 20th VLDB Conference, Santiago, Chile, 144-155. google scholar
51. Oğuzlar, A. (2004). Veri Madenciliğine Giriş. Bursa: Ekin Kitabevi., google scholar
52. Özgümüş, H., Korkmaz, T. & Çevik, E.İ. (2013). Makroekonomik Faktörlerin Vadeli İşlem (Futures) Sözleşmelerine Etkisi: VOB’ta Bir Uygulama. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 7(1), 103-136. google scholar
53. Pandey, A. & Pardasani, K.R. (2009). Rough Set Model for Discovering Hybrid Association Rules. International Journal of Computer Science and Network Security (IJCSNS), 9(6), 159-164. google scholar
54. Patil, C. & Baidari, I. (2019). Estimating the Optimal Number of Clusters K in A Dataset Using Data Depth. Data Science and Engineering, 4, 133-134. google scholar
55. Pena-Ayala, A. (2014). Educational Data Mining: A Survey and A Data Mining-Based Analysis of Recent Works. Expert Systems with Applications., 41(4), 1432-1462. google scholar
56. Polat, M. & Kılıç, E. (2022). BRICS Ülkelerinde Döviz Kuru ve Borsa Arasındaki Getiri ve Volatilite Etkileşimi: VAR-EGARCH Modeli İle Bir Uygulama. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 49, 539-551. google scholar
57. Sayilan, A.B. (2019). Veri Madenciliğinde Bazı Kümeleme Algoritmalarının Karşılaştırılması.Yüksek Lisans Tezi, Muğla Sıtkı Koçman Üniversitesi Fen Bilimleri Enstitüsü, Muğla. google scholar
58. Shawkat, M., Badawı, M., El-Ghamrawy, S., Arnous, R. & El-Desoky, A. (2022). An Optimized FP-Growth Algorithm for Discovery of Association Rules. The Journal of Supercomputing, 78, 5479-5506. google scholar
59. Şahin, İ.E. & Karacan, K.B. (2019). BIST’te İşlem Gören İnşaat İşletmelerinin Çok Kriterli Karar Verme Yöntemleri ile Finansal Performans Ölçümü. International Journal of Multidisciplinary Studies and Innovative Technologies, 3(2), 162-172. google scholar
60. Şeker Yatırım, https://www.sekeryatirim.com.tr/Kurumsal/FinansalRaporlar (Erişim Tarihi: 14.07.2023). google scholar
61. Şenol, Z., Koç, S. & Şenol, S. (2018).Hisse Senetleri Fiyatlarını Etkileyen Faktörlerin Dinamik Panel Veri Analiziyle İncelenmesi. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 9(25), 119-135. google scholar
62. Tan, P., Steinbach, M. & Kumar, V. (2005). Introduction to Data Mining Chapter 8: Cluster Analysis: Basic Concepts and Algorithms. US: Pearson Addison-Wesley. google scholar
63. Teker, T. & Konuşkan, A. (2022). Fan Token Fiyatlarında Birliktelik Etkisi. Uluslararası İşletme. Ekonomi ve Yönetim Perspektifleri Dergisi, 6(2), 359-376. google scholar
64. Tera Yatırım, https://www.terayatirim.com/arastirma/hisse-senedi-raporlari (Erişim Tarihi: 14.07.2023). google scholar
65. Tibshirani. R., Walther, G. & Hastie, T. (2001). Estimating the Number of Clusters in a Data Set Via the Gap Statistic. J R Stat Soc Ser B (Stat Methodol), 63(2), 411-423. google scholar
66. Ünsal, Ö. (2020). Veri Madenciliği Teknikleri ile Hisse Senetleri Arasındaki Fiyat Etkileşimlerinin Belirlenmesi. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5), 106-112. google scholar
67. Verma, N. & Baliyan, N. (2017). PAM Clustering Based Taxi Hotspot Detection for Informed Driving. 2017 8th International Conference on Computing. Communication and Networking Technologies (ICCCNT), Delhi, India, 1-7. google scholar
68. Xu, Z-M. & Zhang, R. (2009). Financial Revenue Analysis Based on Association Rules Mining. 2009 Asia- Pacific Conference on Computational Intelligence and Industrial Applications (PACIIA), Wuhan. China, 220-223. google scholar
69. Yüksel, T. & Zontul, M. (2019). Dağıtık Sistemlerde Birliktelik Kuralları İle Sepet Analizi. AURUM Mühendislik Sistemleri Ve Mimarlık Dergisi, 3(1), 65-77. google scholar
70. Zor, İ., Bozkurt, İ. & Öksüz S. (2016).Asimetrik Bilgi Düzeyinin Fiyat-Hacim İlişkisi Üzerindeki Etkisi: Borsa İstanbul Örneği. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 16(1), 119-135. google scholar