YALIN SİNİRSEL BULANIK BİR MODEL İLE İMKB 100 ENDEKSİ TAHMİNİ

Öz

Bu çalışmada, İstanbul Menkul Kıymetler Borsası (İMKB) Ulusal 100 Endeksinin öngörülebilirliği geriye dönükolarak Adaptif Sinirsel Bulanık Çıkarım Sistemi (Adaptive Neuro Fuzzy Inference System - ANFIS) kullanılarakkurulan modeller ile test edilmiştir. Ayrıca endeksin tahmini için kullanılan girdilerin modele katkıları da tahminperformansı esas alınarak değerlendirilmiştir. Başarılı borsa tahmininde en önemli unsur, en az sayıda girdi ve enaz karmaşık model ile en iyi sonucun elde edilebilmesidir. Bu bağlamda bu çalışmada çok fazla girdi değişkenikullanılmasına gerek duyulmadan, İMKB 100 endeksinin ANFIS ile ne derece tutarlı tahmin edilebileceğigösterilmek istenmiştir. Bu amaçla, analiz dönemi olarak yaklaşık dört buçuk yıllık bir süre seçilmiş; iki girdili(dolar kuru ve gecelik faiz oranı) ve üç girdili (dolar kuru, gecelik faiz oranı ve işlem hacmi) olmak üzere ikifarklı model kurulmuştur. ANFIS kullanılarak her iki model ile de belirleyicilik katsayısı yüksek olan,dolayısıyla tutarlı tahmin sonuçları elde edilmiştir. Elde edilen deneysel sonuçlar, ANFIS ile yalnızca iki girdideğişkeni kullanılarak, karmaşık bir modele gereksinim duyulmadan, İMKB 100 Endeksinin kısa dönemdeöngörülebilir olduğunu göstermiştir.

Anahtar Kelimeler

• İMKB 100 Endeksi tahmini, ANFIS, sinirsel bulanık sistemler

Kaynakça

1. Kutlu, B., Badur, B., “Yapay Sinir Ağları İle
2. Borsa Endeksi Tahmini”, Yönetim, 63:25-40,
3. (2009)
4. İşeri, M., Çağlar, H., Çağlar N., “A model
5. proposal for the chaotic structure of Istanbul stock
6. exchange”, Chaos, Solitons and Fractals
7. :1392–1398, 2008.
8. Murphy, J.J, “Technical Analysis of the

9. Financial Markets: A Comprehensive Guide to
10. Trading Methods and Applications” New York
11. Institute of Finance, 1999.
12. Diler, A. İ., “İMKB Ulusal 100 Endeksinin
13. Yönünün Yapay Sinir Ağları: Hata Geriye Yayma
14. Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi,
15. :65–81, 2003.
16. Yumlu, S., Gürgen, F., Okay, N., “A Comparison
17. of Global,Recurrent and Smoothed-Piecewise
18. Neural Models for Istanbul Stock Exchange
19. Prediction”, Pattern Recognition Letters,
20. :2903- 2103, 2004.
21. Altay, E., Satman, M. H., “Stock Market
22. Forecasting: Artificial Neural Networks and Linear
23. Regression Comparison in an Emerging Market”,
24. Journal of Financial Management and Analysis,
25. (2):18-33, 2005.
26. Karaatlı, M., Güngör, İ., Demir Y. Kalaycı, Ş.,
27. “Hisse Senedi Fiyat Hareketlerinin Yapay Sinir
28. Ağları Yöntemi ile Tahmin Edilmesi”, Balıkesir
29. Üniversitesi İİBF Dergisi, 2(1), 22–48, 2005.
30. Karaçor, Z., Alptekin, V. “Finansal Krizlerin
31. Önceden Tahmin Yoluyla Değerlendirilmesi:
32. Türkiye Örneği”, Yönetim ve Ekonomi, 13 (2),
33. -256, 2006.
34. Avcı, E., “Forecasting daily and sessional returns
35. of the ISE-100 index with neural network models”,
36. Journal of Dogus University, 8(2):128–142, 2007.
37. Hamzaçebi, C., Bayramoğlu, M. F., “Yapay
38. Sinir Ağları ile İMKB 100 Endeksinin Tahmini”,
39. YAEM 27.Ulusal Kongresi, Dokuz Eylül
40. Üniversitesi Mühendislik Fakültesi Endüstri
41. Mühendisliği Bölümü ve Yöneylem Araştırması
42. Derneği, 2007.
43. Yıldız, B., Yalama A., Coşkun M., “Forecasting
44. the Istanbul Stock Exchange National 100 Index
45. Using an Artificial Neural Network”, World
46. Academy of Science, Engineering and
47. Technology 46:36-39, 2008.
48. Öğüt, H., Doğanay M. , Aktaş,R., “Detecting
49. stock-price manipulation in an emerging market:
50. The case of Turkey”, Expert Systems with
51. Applications 36 :11944–11949, 2009.
52. Quek, C. Predicting the impact of anticipator
53. action on US stock market – An event study using
54. ANFIS (a neural fuzzy model). Computational
55. Intelligence, 23, 117–141, 2005.
56. Trinkle, B. S., “Forecasting annual excess stock
57. returns via an adaptive network-based fuzzy
58. inference system”, Intelligent Systems in
59. Accounting, Finance and Management, 13(3),
60. –177, 2006.
61. Atsalakis, G., Valavanis, K., “Forecasting stock
62. market short-term trends using a neuro-fuzzy based
63. methodology” Expert Systems with Applications,
64. (3) : 10696–10707, 2009.
65. Akbar E., Werya A. , “Adapted Neuro-Fuzzy
66. Inference System on indirect approach TSK fuzzy
67. rule base for stock market analysis”,Expert
68. Systems with Applications 37:4742–4748, 2010.
69. Boyacioglu, M., A., Avci, D., “An Adaptive
70. Network-Based Fuzzy Inference System (ANFIS)
71. for the prediction of stock market return: The case
72. of the Istanbul Stock Exchange” , Expert Systems
73. with Applications 37 : 7908–7912, 2010.
74. Atsalakis G., Valavanis K., “Surveying stock
75. market forecasting techniques – Part II: Soft
76. computing methods”, Expert Systems with
77. Applications 36(3) : 5932–5941 2009.
78. Baykal, N., Beyan T., “Bulanık mantık uzman
79. sistemler ve denetleyiciler”, Bıçaklar Kitabevi,
80. Ankara 2004.
81. Abraham, A., “Neuro-fuzzy systems: state-ofthe-
82. art modeling techniques, connectionist models
83. of neurons, learning processes and artificial
84. intelligence”, Lecture Notes in Computer
85. Science, 2084: 269-276, 2001.
86. Takagi, T., Sugeno, M., “Fuzzy identification of
87. systems and its applications to modelling and
88. control”, IEEE Transactions on Systems, Man,
89. and Cybernetics, 15: 116–132, 1985.
90. Jang, J. S. R., “ANFIS: Adaptive-network
91. based fuzzy inference systems”, IEEE Trans. On
92. Systems, Man, and Cybernetics, 23 (03): 665-
93. , 1993.
94. Demuth, H., Beale, M., “Anfis and the ANFIS
95. Editor GUI” Fuzzy logic toolbox for use with MATLAB, User’s Guide Version 4, 2:104-130,
96. MA, 2000.
97. Izumi, K., & Ueda, KAnalysis of exchange rate
98. scenarios using an artificial market approach.
99. Proceedings of the international conference on
100. artificial intelligence, 2:360–366, 1999.
101. Akel, V., Bayramoğlu, M., F., “Kriz
102. Dönemlerinde Yapay Sinir Ağlari ile Finansal
103. Öngörüde Bulunma: İmkb 100 Endeksi Örneği”,
104. International Symposium on International
105. Capital Flows and Emerging Markets, Balıkesir,
106. -