Destek Vektör Makineleri ile Borsa Endekslerinin Tahmini
Öz
Destek Vektör Makineleri (DVM) en popüler makine öğrenme algoritmalarından birisidir. Bu çalışmada BIST100 endeksi ile birlikte dünyanın önde gelen borsa endekslerinden S&P 500, DAX ve NIKKEI 225 endekslerinin getiri yönlerinin sınıflandırılmasında bir makine öğrenme tekniği olan DVM’lerin kullanılması ve bu tekniklerin tahmin (sınıflandırma) performanslarının ortaya konulması amaçlanmıştır. Bu amaçla DVM’ler, borsa endekslerinin “yükseliş” ve “düşüş” trendlerinin modellenmesinde kullanılmıştır. Ayrıca çalışmada, makroekonomik değişkenlerin borsa endekslerine olan etkileri analiz edilmiştir. Çalışmanın veri seti, bağımlı ve bağımsız değişkenlerin 01.01.2013 – 30.11.2019 dönemleri arasındaki aylık olarak 82 adet gözlem değerini içermektedir. Bu gözlem değerlerinin 70 adedi (%85’i) algoritmanın modellenmesi (eğitim) için, 12 adedi (%15’i) ise sınıflandırma (test) için kullanılmıştır. Çalışma sonucunda modelin yükseliş yönlü tahminlerde sınıflandırma başarısının iyi olduğu, ancak düşüş yönlü tahminlerinde aynı başarıyı göstermediği ortaya çıkmıştır.
Anahtar Kelimeler
Makine Öğrenmesi,Sınıflandırma,Destek Vektör Makineleri, Yatırım Kararları,Finansal Tahmin
Kaynakça
- Ahn, J. J., Oh, K. J., Kim, T. Y., & Kim, D. H. (2011). Usefulness of Support Vector Machine to Develop An Early Warning System for Financial Crisis. Expert Systems with Applications, 38(4), 2966-2973.
- Altınırmak, S., & Karamaşa, Ç. (2016). Bankaların Finansal Başarısızlıklarının İncelenmesinde Makine Öğrenme Tekniklerinin Karşılaştırılması. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 19(36), 291-304.
- Apaydın, E. (2014). Introduction to Machine Learning. Third Edition, The MIT Press Cambridge, Massachusetts London, England.
- Ayhan, S., & Erdoğmuş, Ş. (2014). Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
- Bayramoğlu, A.T., & Başarır, Ç. (2019). Blockchain Economics and Financial Market Innovation Financial Innovations in the Digital Age: The Linkage Between Cryptocurrencies and Macro-Financial Parameters: A Data Mining Approach. Springer Nature Switzerland, 249-269.
- Basarir, C., & Bayramoglu, M. F. (2018). Global Approaches in Financial Economics, Banking, and Finance: Global Macroeconomic Determinants of the Domestic Commodity Derivatives. Springer, Cham, 331-349.
- Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug Design by Machines Learning: Support Vector Machines for Pharmaceutical Data Analysis. Computer and Chemistry 26, 5–14.
- Cao, L. J. (2003). Support Vector Machines Experts for Time Series Forecasting. Neurocomputing, 51, 321–339.
- https://www.investing.com, (Erişim Tarihi: 15.12.2019).
- Hua, Z., Wang, Y., Xu, X., Zhang, B., & Liang, L. (2007). Predicting Corporate Financial Distress Based on Integration of Support Vector Machine and Logistic Regression. Expert Systems with Applications, 33(2), 434-440.