Prediction of Stock Market Index Direction with Machine Learning Methods: Sample of BIST

Öz

Predicting the direction (increase or decrease) of stock market indexes and stock prices has long attracted the attention of investors and researchers. Establishing a connection between the past and future data makes this prediction difficult. The mentioned connection is established through econometric or neural network models. Neural network models do not require strict assumptions like econometric models and can utilize qualitative and quantitative data. In this study, monthly average BIST 100 index values were taken between January 2002 and September 2022, and a two-group dependent variable was formed as “1” for cases with an increase compared to the previous month and “0” for cases with a decrease. The 1st and 2nd lagged values of BIST 100, S&P 500, CAC40, FTSE10, NIKKEI225DAX, SHANGAICOMP, ONSUSD, USDTRY, VIX and REPO variables were taken as independent variables. A total of nine different machine learning methods which are Logistic Regression Analysis (LR), Linear Discriminant Analysis (LDA), Naive Bayes Algorithm (NB), Random Forests Algorithm (RF), K-Nearest Neighborhood Algorithm (KNN), Classification and Regression Trees Algorithm (CART), Artificial Neural Networks (NNET), Support Vector Machines with Radial Basis Function (SVM-RBF), Support Vector Machines with Polynomial Kernel Function (SVM-POLY) were used for direction prediction for BIST 100 index in practice. In conclusion, it is observed that linear methods produce more successful estimation results.

Anahtar Kelimeler

• BIST 100
• Machine Learning
• Market Forecast

Borsa Endeksi Yönünün Makine Öğrenmesi Yöntemleri ile Tahmini: BIST 100 Örneği

Öz

Borsa endeksleri ve menkul kıymetler için yön (artış veya azalış) tahmininde bulunmak yatırımcıların ve araştırmacıların uzun zamandır dikkatini çekmektedir. Geçmiş verilerle gelecek veriler arasındaki bağlantının kurulması bu tahmini zorlaştırmaktadır. Söz konusu bağlantı ekonometrik modeller veya yapay zekâ modelleri yardımıyla kurulmaktadır. Yapay zekâ modelleri ekonometrik modeller gibi katı varsayımlar gerektirmez, nitel ve nicel verileri kullanabilir. Bu çalışmada Ocak 2002 - Eylül 2022 tarihleri arasında aylık ortalama BIST 100 endeks değerleri alınarak, bir önceki aya göre artış gerçekleşen durumlar için “1”, azalış gerçekleşen durumlar için “0” şeklinde iki gruplu bir bağımlı değişken oluşturulmuştur. BIST 100, S&P 500, CAC40, FTSE10, NIKKEI225DAX, SHANGAICOMP, ONSUSD, USDTRY, VIX ve REPO değişkenlerinin 1. ve 2. gecikmeli değerleri bağımsız değişken olarak alınmıştır. Uygulamada BIST 100 endeksi için yön tahmininde Lojistik Regresyon Analizi (LR), Lineer Diskriminant Analizi (LDA), Naive Bayes Algoritması (NB), Rastgele Ormanlar Algoritması (RF), K-En Yakın Komşuluk Algoritması (KNN), Sınıflandırma ve Regresyon Ağaçları Algoritması (CART), Yapay Sinir Ağları (NNET), Gauss Çekirdek Fonksiyonu ile Destek Vektör Makineleri (SVM-RBF), Polinomiyal Çekirdek Fonksiyonu ile Destek Vektör Makineleri (SVM-POLY) olmak üzere toplam dokuz farklı makine öğrenme metodu kullanılmıştır. Sonuç olarak lineer yöntemlerin daha başarılı tahmin sonuçları ürettiği görülmektedir.

Anahtar Kelimeler

• Bist 100
• Makine Öğrenmesi
• Endeks tahmini

Kaynakça

1. Abu-Mostafa, Y. S. ve Atiya, A. F. (1996). Introduction to Financial Forecasting, Applied Intelligence, 6(3), 205-213. https://doi.org/10.1007/BF00126626
2. Akbilgic, O., Bozdogan, H. ve Balaban, M. E. (2014), A novel Hybrid RBF Neural Networks Model as a Forecaster, Statistics and Computing, 24(3), 365-375. https://doi.org/10.1007/s11222-013-9375-7
3. Aksoy, B. (2021). Pay Senedi Fiyat Yönünün Makine Öğrenmesi Yöntemleri ile Tahmini: Borsa İstanbul Örneği, Business and Economics Research Journal, 12(1), 89-110. http://dx.doi.org/10.20409/berj.2021.312
4. AltınYavuz, A. ve Yavuz, H. S. (2021). Denetimli Makine Öğrenme Yöntemleri ile Yüzey Su Kalitesinin Sınıflandırılması. Biyoloji Bilimleri Araştırma Dergisi, 14(2), 142-155.
5. Aser, D. and Firuzan, E. (2022). Improving forecast accuracy using combined forecasts with regard to structural breaks and arch innovations. Ekoist Journal of Econometrics and Statistics, 37, 1-25. https://doi.org/10.26650/ekoist.2022.37.1183809
6. Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying Stock Market Forecasting Techniques – Part II: Soft Computing Methods. Expert Systems with Applications, 36(3, Part 2), 5932-5941. https://doi.org/https://doi.org/10.1016/j.eswa.2008.07.006
7. Bholoa, A., Kenny, S. D. ve Smith, R. (2007). A New Approach to Potential Fitting Using Neural Networks. Nuclear Instruments and Methods in Physics Research Section B: Beam Interactions with Materials and Atoms, 255(1), 1-7. https://doi.org/https://doi.org/10.1016/j.nimb.2006.11.040
8. Biau, G., & Scornet, E. (2016). A Random Forest Guided Tour. TEST, 25(2), 197-227. https://doi.org/10.1007/s11749-016-0481-7

9. Bouwmeester, W., Twisk, J., Kappen, T., Klei, W., Moons, K., & Vergouwe, Y. (2013). Prediction models for clustered data: comparison of a random intercept and standard regression model. BMC Medical Research Methodology, 13(1). https://doi.org/10.1186/1471-2288-13-19