Kripto Para Değerlerine Dayanılarak BİST 100 Endeks Hareketi Tahmininde Destek Vektör Makineleri Uygulaması

Öz

Teknoloji gelişiminin hız kazanmasıyla sanal para birimleri takas işlemlerinde kullanılmaya başlamıştır. Yaklaşık on beş yıldır kullanımda olan kripto paralar, üçüncü taraflara olan ihtiyacı ortadan kaldıran blockchain teknolojisinin merkezileşmemiş sistemi sayesinde piyasada yeni bir yer yaratmıştır. Bir taraftan yüksek kazanç sağlamak isteyen yatırımcılar için çok cazipken, diğer taraftan fiyatlarındaki dalgalanmalar çok yüksektir. Bu nedenle riskli yatırım araçları olarak değerlendirilmektedir. Yatırımcılar piyasayı etkileyebilecek her faktörü risk unsuru olarak görebilmektedir. Dijital dönüşümün yaşandığı dünyamızda, Kripto paraların piyasa hareketlerinin, çeşitli ekonomik dengeleri etkileyeceği düşünülebilmektedir. Yatırımcılar bu belirsizliği aşmak için çeşitli tahmin yöntemlerine ihtiyaç duyabilirler. Bu çalışmada, yüksek piyasa değerine ve bunun yanında yüksek işlem hacmine sahip olan Bitcoin (BTC), ethereum (ETH) ve Ripple (XRP) kriptopara birimlerinin 2016-2020 yılları arası günlük piyasa değerleri alınarak, BIST 100 endeksinin hareket yönleri tahmin edilmiştir. Çalışmada girdi değişken olarak kabul edilen Bitcoin,Ethereum ve Ripple ‘ın geçmiş piyasa değerleri destek vektör makinelerinin eğitiminde kullanılmıştır. Özellikle kripto paraların yaygınlaşması finans sistemlerinin bakış açısını değiştirmiştir. Çalışma sonucunda % 52 doğruluk başarısı elde edilmiştir.

Anahtar Kelimeler

• Destek Vektör Makineleri
• Makine Öğrenmesi
• Kripto Para

Support Vector Machines Application To Estimate BİST 100 Index Based On Cryptocurrency Values

Abstract

With the acceleration of development in the technology, crypto currencies have started to be used in transactions. Cryptocurrencies that have been in use for nearly eleven years have created a new area in the market thanks to the decentralized system of blockchain technology, which eliminates the need for third parties. It is very attractive for investors who want to make high profits, on the other hand, volatilities in prices are very dramatic. For this reason, it is considered as risky investment tools. Investors can utilize anything that may affect the market as a risk factor. In our world of digital transformation, it can be thought that the market movements of cryptocurrencies will affect various economic balances. Investors may need various forecasting methods to overcome this uncertainty. In this study, the movement of the BIST 100 index is estimated based on the daily market values of Bitcoin (BTC), ethereum (ETH) and Ripple (XRP) cryptocurrencies with high market value as well as high transaction volume. The past market values of Bitcoin, Ethereum and Ripple, which are accepted as input variables in the study, were used in the training of support vector machines. In particular, the widespread use of cryptographic money has changed the perspective of financial systems.

Keywords

• Support Vector Machine
• Machine Learning
• Crypto Money

Kaynakça

1. Kryzanowski,L., Galler,M., Wright,W,D.; Using Artificial Neural Networks To Pick Stocks, Financial Analysts Journal, Vol. 49, No. 4 (Jul. - Aug., 1993), Pp. 21-2
2. Diler, A. İ.; İmkb Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi İle Tahmin Edilmesi. Türkiye’de Bankalar, Sermaye Piyasası Ve Ekonomik Büyüme: Koentegrasyon Ve Nedensellik Analizi (1989-2000),2003, 81.İmkb Dergisi,2003, 7(25-26), 65-83.
3. Zhang, Y. And Wu, L.; Stock Market Prediction Of S&P 500 Via Combination Of İmproved Bco Approach And Bp Neural Network,2009, Expert Systems With Applications, 36(5), 8849-8854.
4. Moghaddam A. H., Moghaddam M. H., And Esfandyari M.; Stock Market İndex Prediction Using An Artificial Neural Network, Journal Of Economics, Finance And Administrative Science 21 (41): 89-93 (2016).
5. Ozalıcı,M.; Yapay Sinir Ağları İle Çok Aşamalı Fiyat Tahmini: Bıst30 Senetleri Üzerine Bir Araştırma ,2016, İzmir İktisat Dergisi,2,209,227
6. Kutlu, B., Badur, B.;Yapay Sinir Ağları İle Borsa Endeksi Tahmini, İstanbul Üniversitesi İşleme İktisadı Enstitüsü Yönetim Dergisi, 63, 25-40, 2009.
7. Lendasse, A., Lee, J., De Bodt, E., Wertz, V., Verleysen, M.; Input Data Reduction For The Prediction Of Financial Time Series, Esann’2001 Proceedings – European Symposium On Artificial Neural Networks Bruges (Belgium), April 25-27, 2001, Pp. 237-244.
8. Leung, M. T., Daouk, H., & Chen, A.-S.;Forecasting Stock Indices: A Comparison Of Classification And Level Estimation Models,2000, International Journal Of Forecasting, 16(2), S:173-190

9. Tsai, C.F.L., Yuah, C.Y., David C. And Chen, Y.M.; Predicting Stock Returns By Classifier Ensembles. Applied Soft Computing,2011, Pp. 2452-2459.
10. Verleysen, M., De Bodt, E., Lendasse, A., “Forecasting Financial Time Series Through Intrinsic Dimension Estimation And Non-Linear Data Projection”, Proceedings Of Iwann’99 – International Work – Conference On Artificial And Natural Neural Networks, Alicante (Spain), June 2-4, 1999,Pp: Iı-596 – Iı-605.
11. Yakut, E., Bekir, E., Ve S, Yavuz. Yapay Sinir Ağları Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi,2014, C. 19, S. 1, S. 139-157.
12. Osuna, E.E., Freund, R., Girosi, F., 1997, Support Vector Machines: Training And Applications, A.I. Memo No. 1602, C.B.C.L. Paper No. 144, Massachusetts Institute Of Technology And Artificial Intelligence Laboratory, Massachusetts.
13. Kavzoğlu,T., Çölkesen,İ.,2010, Destek Vektör Makineleri İle Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi, Harita Dergisi Temmuz 2010 Sayı 144
14. Ayhan, S., Erdoğmuş.Ş., Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimieskişehir Osmangazi Üniversitesi İibf Dergisi, Nisan 2014, 9(1), 175- 198
15. Yakut, E., Bekir, E., Ve S, Yavuz. Yapay Sinir Ağları Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi,2014, C. 19, S. 1, S. 139-157.
16. Çalışkan, M. M. T., Deniz, D.; Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları Ve Yönlerinin Tahmini, Eskişehir Osmangazi Üniversitesi İibf Dergisi,2015, 10(3), 177- 194.
17. Kasperkıewıcz, J., Raez, J., Dubrawskı, A.; Hpc Strength Prediction Using Artificial Neural Network”, Journal Of Computing İn Civil Engineering, Vol:9,1995, No:4, S:279-284.
18. Koç, S.,Onocak,D.; Yapay Sinir Ağları İle Emeklilik Yatırım Fonu Hisse Senedi Fiyatlarının Tahmini,2018, Finans Ekonomi Ve Sosyal Araştırmalar Dergisi Cilt3/Sayı3
19. Kohara, K., Ishikawa, T., Fukuhara, Y., Nakamura, Y.; Stock Price Prediction Using Prior Knowledge And Neural Networks, Intelligent Systems İn Accounting, Finance And Management, Vol. 6, Pp. 11-12, 1997.
20. Anderson, D., Mcneill, G.;Artificial Neural Networks Technology, Adacs State-Of-The- Art Report, Contact Number F30602-89-C-0082, New York, 1992.
21. Man-Chung, C., Chi-Chung, W., Chi-Chung, L.;Financial Time Series Forecasting By Neural Network Using Conjugate Gradient Learning Algorithm And Multiple Linear Regression Weight Initialization, 1998, Vol. 53, Pp. 182-228.
22. Moghaddam A. H., Moghaddam M. H., And Esfandyari M.; Stock Market İndex Prediction Using An Artificial Neural Network, Journal Of Economics, Finance And Administrative Science 21 (41): 89-93 (2016).
23. Soumitra Dutta, Shashi Shekhar, W. Y. Wong: Decision Support İn Non-Conservative Domains: Generalization With Neural Networks. Ifıp Congress (3) 1992: 259-265
24. Tan, C.N.W.; An Artificial Neural Networks Primer With Financial Applications Examples İn Financial Distress Predictions And Foreign Exchange Hybrid Trading System, Phd Thesis, School Of Information Technology, Bond University, Australia, 1997.
25. Yavuz, M., Şakir Sakarya, Ş., Özdemir N.; Yapay Sinir Ağları İle Risk-Getiri Tahmini Ve Portföy Analizi , Niğde Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi Year 2015, Volume 8 , Issue 4, Pages 87 - 107
26. Yoon, Y., Swales, G.; Predicting Stock Price Performance: A Neural Network Approach, Proceedings Of The 24th Annual Hawaii International Conference On System Sciences,1991, S:156-162.
27. Zhang, Y. And Wu, L.; Stock Market Prediction Of S&P 500 Via Combination Of İmproved Bco Approach And Bp Neural Network,2009, Expert Systems With Applications, 36(5), 8849-8854.
28. Zahedi, F.; A Meta-Analysis Of Financial Applications Of Neural Networks, International Journal Of Computational Intelligence And Organizations, Vol. 1, No. 3, 1997, Pp. 164-178.
29. Zekić, M., Structure Optimization Of Neural Networks İn Relation To Underlying Data,Proceedings Of The 7th International Conference On Operational Research Koı ’98,Eds. Aganović, I., Hunjak, T., Scitovski, R., Rovinj, Croatia, September 30-October 2,1998., P.135-144.
30. Verleysen, M., De Bodt, E., Lendasse, A., “Forecasting Financial Time Series Through Intrinsic Dimension Estimation And Non-Linear Data Projection”, Proceedings Of Iwann’99 – International Work – Conference On Artificial And Natural Neural Networks, Alicante (Spain), June 2-4, 1999,Pp: Iı-596 – Iı-605.
31. Dalkılıç, N.; Muhasebe Mesleği Sorumluluk Sigortalarında Yapay Sinir Ağları Yöntemi İle Risk Değerlemesi; Doktora Tezi, Dumlupınar Üniversitesi Soyal Bilimler Enstitüsü İşletme Bilim Dalı, Kütahya,2010.
32. Abdou, H., Pointon, J. Ve El-Masry, A.; Neural Nets Versus Conventional Techniques İn Credit Scoring İn Egyptian Banking; Expert Systems With Applications, 35, 2008, S:1275-1292
33. Akyatan, A.; Bist 100 Endeksine Kote Olan Hisse Senetlerinin Getiri Başarılarının Tahmini Üzerine Bir Çalışma; Istanbul University Journal Of The School Of Business, 45, No/Sayı:2, Kasım 2016, S: 120-130
34. Altay, E., Satman, M. H.; Stock Market Forecasting: Artificial Neural Networks And Linear Regression Comparison İn An Emerging Market, Journal Of Financial Management And Analysis, Vol:18, No:2,2005, S:18-33.
35. Anderson, D., Mcneill, G.;Artificial Neural Networks Technology, Adacs State-Of-The- Art Report, Contact Number F30602-89-C-0082, New York, 1992.
36. Ergezer, H., Dikmen, M., Özdemir, E.;Yapay Sinir Ağları Ve Tanıma Sistemleri, Pivolka 6, Elyad-Dal Araştırma Laboratuarları, Başkent Üniversitesi, Ankara, 2003.
37. Grudnitzky, G., Osburn, L., Forecasting S&P And Gold Futures Prises: An Application Of Neural Networks, Journal Of Futures Markets, September 1993, Vol. 13, No. 6, Pp.631-643.
38. Hamida, S.A., Iqbal, Z.;Using Neural Networks For Forecasting Volatility Of S&P 500 Index Futures Prices, Journal Of Business Research, 2004, Vol. 57, Pp. 1116– 1125