An Approach to Predicting Direction of City Index Movement by Integrating Technical Indicators into Machine Learning Models

Abstract

City indexes that have been calculated by Borsa Istanbul provides a deeper understanding to investors who are interested on making investments to a specific region. Financial performances of 13 cities in Turkey are reflected by these indexes from the beginning of the year 2009. This study differs from the earlier ones mostly focused on the volatility by integrating the technical indicators into different machine learning models for the purpose of forecasting the direction of movement in the daily city indexes. The proposed procedure was applied to the Istanbul city index (XSIST) series, which has the highest number of stocks traded in BIST. 38 different technical indicators based on volume, volatility, trend and momentum were calculated and the most effective indicators in the daily change of XSIST series were selected as inputs to 6 different machine learning models. The performance of the learning models was compared with the help of metrics based on confusion matrices.

Keywords

• City Index
• Machine Learning
• Feature Engineering
• Technical Indicators.

TEKNİK GÖSTERGELERİ MAKİNE ÖĞRENİMİ MODELLERİNE ENTEGRE EDEREK ŞEHİR ENDEKSİ HAREKETİNİN YÖNÜNÜ TAHMİN ETMEYE YÖNELİK BİR YAKLAŞIM

Öz

Borsa İstanbul (BIST) tarafından hesaplanan şehir endeksleri, belirli bir bölgeye yatırım yapmak isteyen yatırımcılara önemli bir yol göstericidir. Türkiye'de 13 ilin finansal performansları 2009 yılı başından itibaren bu endeksler tarafından yansıtılmaktadır. Bu çalışmada, şehir endeksi serilerinin çoğunlukla oynaklığı ile ilgilenen önceki çalışmalardan farklı olarak, teknik göstergeleri farklı makine öğrenmesi modellerine entegre ederek şehir endeksi serilerine ait hareketin yönünü tahmin etmede kullanılabilen bileşik bir prosedür önerilmiştir. Önerilen prosedür, BIST’de işlem gören en yüksek hisse senedi sayısına sahip İstanbul şehir endeksi (XSIST) serisine uygulanmıştır. Hacim, oynaklık, trend ve momentuma dayalı 38 farklı teknik gösterge hesaplanmış ve XSIST serisinin günlük değişiminde en etkili göstergeler, 6 farklı makine öğrenmesi modellerine girdi olarak seçilmiştir. Öğrenme modellerin performansı, karmaşıklık matrislerine dayalı metrikler yardımıyla karşılaştırılmıştır.

Anahtar Kelimeler

• Şehir Endeksi
• Makine Öğrenmesi
• Öznitelik Mühendisliği
• Teknik Göstergeler

Kaynakça

1. Akcan, A., ve Kartal, C. (2011). İMKB sigorta endeksini oluşturan şirketlerin hisse senedi fiyatlarının yapay sinir ağları ile tahmini. Muhasebe ve Finansman Dergisi, 51, 27-40. Erişim adresi: https://dergipark.org.tr/tr/pub/mufad/issue/35630/396054
2. Aksoy, M. (2013). İstanbul Menkul Kıymetler Borsası'nda finansal kriz döneminde yabancı yatırımcıların hisse senedi tercihlerinin analizi. İstanbul Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 0(48). Erişim Adresi: https://dergipark.org.tr/tr/pub/iusiyasal/issue/ 630/6413
3. Altınbaş, H., ve Biskin, O.,T. (2015). Selecting macroeconomic influencers on stock markets by using feature selection algorithms. Procedia Economics and Finance, 30, 22-29. doi: 10.1016/S2212-5671(15)01251-4
4. Aşkın, Ö.E. (2019). Analysis of changes in İstanbul city index values with hidden Markov model. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 41(2), 319-337. doi: 10.14780/muiibd.665045
5. Aşkın, Ö.E. (2020). BIST şehir endekslerine ait volatilitenin modellenmesi. Muhasebe ve Finansman Dergisi, (85), 223-242. Erişim Adresi: https://dergipark.org.tr/en/pub/ mufad/article/673733
6. Bayrakdaroğlu, A., ve Tepeli, Y. (2018). BİST şehir endekslerinin risk-getiri analizi üzerine bir inceleme. Muhasebe ve Finansman Dergisi, (80), 147-160. Erişim Adresi: https://dergipark.org.tr/tr/pub/mufad/issue/39476/465922
7. Bayramoğlu, M.,F., ve Pekkaya, M. (2010). İMKB tarafından hesaplanan endekslerde yeni gelişmeler ve İMKB şehir endeksleri. Muhasebe ve Finansman Dergisi, (45), 200-215. Erişim Adresi: https://dergipark.org.tr/tr/pub/mufad/issue/35624/395912
8. Boyacioglu, M.A., ve Avcı, D. (2010). An adaptive network-based fuzzy inference system (ANFIS) for the prediction of stock market return: the case of the İstanbul Stock Exchange. Expert Systems with Applications, 37(12), 7908-7912. doi: 10.1016/j.eswa.2010.04.045

9. Çakır, Z. (2016). Şehir endekslerinin finansal performanslarının ölçülmesi ve değerlendirilmesi (Yayımlanmamış Yüksek Lisans Tezi). Hitit Üniversitesi, Çorum.
10. Davaslıgil Atmaca, V. (2018). BİST şehir endeksleri oynaklığının DCCGARCH model ile analizi. Yönetim Bilimleri Dergisi, 16(31), 287-308. Erişim Adresi: https://dergipark.org.tr/en/ pub/comuybd/issue/44733/556047
11. Fama, E., F. (1970). Efficient capital markets: a review of empirical work. Journal of Finance, 25(2),383–417. doi: 10.2307/2325486
12. Filiz, E., Karaboğa, H.A., ve Akoğul, S. (2017). BİST-50 endeksi değişim değerlerinin sınıflandırılmasında makine öğrenmesi yöntemleri ve yapay sinir ağları kullanımı. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 26(1), 231-241. Erişim Adresi: https://dergipark.org.tr/tr/pub/cusosbil/issue/31939/350973
13. Freund, Y., ve Schapire, R., E. (1996). Experiments with a new boosting algorithm. Proceedings of International Conference on Machine Learning, (96), 148-156. Erişim Adresi: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.51.6252&rep=rep1&type=pdf
14. Güneş, İ. (2019). Şehirlere küresel şehir endekslerinden bakış. Strategic Public Management Journal, 5(10), 111-130. doi:10.25069/spmj.585811
15. Gürsoy, S., Alptürk, Y., ve Tunçel, M., B. (2020). Dolar ve euro kurundaki değişimlerin Antalya şehir endeksi üzerindeki etkisinin incelenmesi: çok değişkenli VAR-EGARCH uygulaması. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(2), 43-56. doi:10.47147/ksuiibf.828592
16. Hasan, A., Kalıpsız, O., ve Akyokuş, S. (2020). Modeling traders’ behavior with deep learning and machine learning methods: evidence from BIST 100 index. Complexity, 2020, 1-16. doi: 10.1155/2020/8285149
17. Kantar, L. (2020). BİST 100 endeksinin yapay sinir ağları ve ARMA modeli ile tahmini. Muhasebe ve Finans İncelemeleri Dergisi, 3(2) , 121-131. doi:10.32951/mufider.725722
18. 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. doi: 10.1016/j.eswa.2010.10.027
19. Karaatlı, M., Güngör, İ., Demir, Y., ve Kalaycı, Ş. (2005). Hisse senedi fiyat hareketlerinin yapay sinir ağları yöntemi ile tahmin edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 3(3), 38-48. Erişim Adresi: https://dergipark.org.tr/tr/pub/yead/issue/21828/234628
20. Kayral, İ.E. (2020). BİST şehir endeksleri ile döviz kurları arasındaki ilişkinin incelenmesi: bir ARDL sınır testi uygulaması. IBAD Sosyal Bilimler Dergisi, (6), 272-284. doi: 10.21733/ibad.668915
21. Kayral, İ.E., ve Tandoğan, N.Ş. (2019). BİST şehir endekslerinde ay içi ve ay dönümü anomalilerinin incelenmesi. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 8(4), 3114-3133. doi: 10.15869/itobiad.633844
22. Keles, M., Keles, A., ve Keles, A. (2020). Makine öğrenmesi yöntemleri ile uçuş fiyatlarının tahmini. Euroasia Journal of Mathematics, Engineering, Natural and Medical Sciences, 7(11), 72-78.
23. Khaidem L., Saha, S., ve Dey, S., R. (2016). Predicting the direction of stock market prices using random forest. Retrieved from: https://arxiv.org/pdf/1605.00003.pdf
24. Kula, V., ve Baykut, E. (2018). BİST şehir endekslerinin volatilite yapıları ve rejim değişimlerinin analizi. Muhasebe ve Finans İncelemeleri Dergisi, 1(1), 38-59. doi:10.32951/mufider. 382687
25. Kumar, M., ve Thenmozhi, M. (2006). Forecasting stock index movement: a comparison of support vector machines and random forest. Indian Institute of Capital Markets 9th Capital Markets Conference Paper, Retrieved from: https://papers.ssrn.com/sol3/papers.cfm? abstract_id=876544
26. Meijering, J.V., Kern, K., ve Tobi, H. (2014). Identifying the methodological characteristics of European green city rankings. Ecological Indicators, 43, 132-142. doi: 10.1016/j.ecolind.2014.02.026
27. Onan, A. (2017). Twitter mesajları üzerinde makine öğrenmesi yöntemlerine dayalı duygu analizi. Yönetim Bilişim Sistemleri Dergisi, 3(2), 1-14. Erişim Adresi: https://atif.sobiad.com/ index.jsp?modul=makaledetay&Alan=sosyal&Id=AWHRGnkWoDuH9Br_eOCd
28. Özdemir A.K., Tolun, S., ve Demirci, E. (2011). Endeks getirisi yönünün ikili sınıflandırma yöntemiyle tahmin edilmesi: İMKB-100 endeksi örneği. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(2), 45-59. Erişim Adresi: https://dergipark.org.tr/tr/pub/ niguiibfd/issue/19749/211376
29. Özkan, N., ve Ulaş, Ü. (2021). Bölgesel Covid-19 vaka sayıları, altın fiyatları, Euro ve BIST şehir endeksleri arasındaki İlişki: bir ARDL sınır testi yaklaşımı. Ekonomi Politika ve Finans Araştırmaları Dergisi, 6(1), 240-253. doi: 10.30784/epfad.880244
30. Pabuçcu, H. (2019). Borsa endeksi hareketlerinin tahmini: trend belirleyici veri. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 22(1), 246-256. doi: 10.29249/selcuksbmyd.487862
31. 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. doi: 10.1016/j.eswa.2014.07.040
32. Sevli, O. (2019). Göğüs kanseri teşhisinde farklı makine öğrenmesi tekniklerinin performans karşılaştırması. Avrupa Bilim ve Teknoloji Dergisi, (16), 176-185. doi:10.31590/ ejosat.553549
33. Shynkevich, Y., McGinnity, T.M., Coleman, S.A., Belatreche, A., ve Li, Y. (2017). Forecasting price movements using technical indicators: investigating the impact of varying input window length. Neurocomputing, 264(15), 71-88. doi.org/10.1016/j.neucom.2016.11.095
34. Tekin, S., ve Çanakoğlu, E. (2018). Prediction of stock returns in İstanbul Stock Exchange using machine learning methods. Signal Processing and Communications Applications Conference (SIU), 1-4. doi: 10.1109/SIU.2018.8404607.
35. Telli, Ş., ve Coşkun, M. (2016). Forecasting the BİST 100 index using artificial neural networks with consideration of the economic calendar. International Review of Economics and Management, 4(3), 26-46. doi: 10.18825/irem.67309
36. Yakut, E., Elmas, B., ve Yavuz, S. (2014). Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157. Erişim Adresi: https://dergipark.org.tr/tr/ pub/sduiibfd/issue/20816/222712
37. Yapraklı, S., Bozma, G., ve Akdağ, M. (2018). BİST şehir endekslerinde oynaklığın ölçülmesi: alternatif ekonometrik modellerin karşılaştırmalı olarak incelenmesi. Finans Politik ve Ekonomik Yorumlar, (639), 67-86. Erişim Adresi: https://dergipark.org.tr/tr/pub/fpeyd/ issue/47984/607050