CLUSTERING THE COMPANIES LISTED ON STOCK EXCHANGE ISTANBUL BY DATA MINING - BORSA İSTANBUL İŞLETMELERİNİN VERİ MADENCİLİĞİ İLE KÜMELENMESİ

Yıl 2018, Cilt: 10 Sayı: 26, 871 - 886, 30.12.2018

Meltem Karaatlı , Ece Altıntaş

https://doi.org/10.20875/makusobed.469617

Cited By: 1

Öz

Nowadays, information, collected by many institutions and organizations is stored in the form of data stacks. Data mining is a process that can make estimates using data stored in databases. Data mining in stock markets is as advantageous as many other markets in terms of gaining competitive advantage. In this study, a data set was prepared considering the daily increase, decrease and steady state of stocks traded in Istanbul Stock Exchange. By using this dataset, it is aimed to be able to create meaningful clustering and to analyze the clusters formed in terms of sector and business. In this direction, 134 firms using the "maximization of expectation" algorithm, which is one of the data mining process clustering method algorithms, are divided into three groups as "low", "medium level" and "high" stocks. As a result, the clusters, are interpreted in terms of sector and business.

Anahtar Kelimeler

Data Mining, Clustering, Istanbul Stock, Exchange Stocks, Expectation Maximization

BORSA İSTANBUL İŞLETMELERİNİN VERİ MADENCİLİĞİ İLE KÜMELENMESİ - CLUSTERING THE COMPANIES LISTED ON STOCK EXCHANGE ISTANBUL BY DATA MINING

Öz

Günümüzde birçok kurum ve kuruluş tarafından çeşitli şekillerde toplanan bilgiler veri yığınları halinde saklanmaktadır. Veri madenciliği, veri tabanlarında saklanan verileri kullanarak tahminler yapabilen bir süreçtir. Veri madenciliği, birçok piyasada olduğu gibi hisse senetleri piyasasında da işletmeleri rakiplerinden avantajlı hale getirebilmektedir. Bu çalışmada, Borsa İstanbul’da işlem gören hisse senetlerinin günlük artış, azalış ve sabit kalma durumları göz önüne alınarak bir veri seti oluşturulmuştur. Bu veri setinin, anlamlı bir kümeleme oluşturması ve oluşan kümelerin sektör ve işletme açısından analiz edilmesi amaçlanmıştır. Bu doğrultuda, veri madenciliği süreci kümeleme yöntemi algoritmalarından biri olan “beklenti maksimizasyonu” algoritması kullanılarak 134 işletme, hisse senedi fiyatları yükselişi “düşük”, “orta düzeyde” ve “yüksek” olarak üç kümeye ayrılmıştır. Çalışmanın sonucunda işletmelerin bulunduğu kümeler sektör ve işletme açısından yorumlanmıştır.

Anahtar Kelimeler

Veri Madenciliği, Kümeleme, Borsa İstanbul, Hisse Senetleri

Kaynakça

• Aktürk, H. - Korukoğlu, S., (2008), Veri Madenciliği Teknolojisini Kullanarak Fiyat Değişimlerinde Paralellik Gösteren Hisse Senetlerinin Bulunması ve Risk Azaltılması, Akademik Bilişim 2008 Konferansı Çanakkale Onsekiz Mart Üniversitesi, Çanakkale, 113-119.
• Aktürk, H., (2008), Borsa ve Döviz Verileri Üzerinde Veri Madenciliği Teknolojisini Kullanarak Zarar Riskini Azaltan Bir Uygulama Geliştirimi, Ege Üniversitesi, Fen Bilimler Enstitüsü, Yüksek Lisans Tezi, İzmir.
• Albayrak, A. S. - Yılmaz, Ş .K., (2009), Veri Madenciliği: Karar Ağacı Algoritmaları ve IMKB Verileri Üzerine Bir Uygulama, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52.
• Altuntaş, S., (2006), Ağırlıklı İlişkilendirme Kurallarına Dayalı Veri Madenciliği Algoritmalarını Kullanarak Tesis Yerleşimi: Simülasyon ile Analiz, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Bano, S., Kahn, M. N. A., (2018), A Survay of Data Clustering Method, International Jaurnal of Advanced Science and Technology, 113, 133 – 142.Erdoğan, Ş. Z., (2004), Veri Madenciliği ve Veri Madenciliğinde Kullanılan K-MEANS Algoritmasının Öğrenci Veri Tabanında Uygulanması, İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İstanbul.
• Gemici, B., (2012), Veri Madenciliği ve Bir Uygulaması, Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, İzmir.Gülce, A. C., (2010), Veri Madenciliğinde Apriori Algoritması ve Apriori Algoritmasının Farklı Veri Kümelerinde Uygulanması, Trakya Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Edirne.
• Hasanlı, H., (2014), Çok Boyutlu Veritabanlarında Veri Madenciliği Yöntemleri Kullanılarak Bilgi Keşfi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, İzmir.
• Işık, M., (2006), Bölünmeli Kümeleme Yöntemleri ile Veri Madenciliği Uygulamaları, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.Işıkoğlu, M. A., (2017), Kayıp Veri ile Baş Etme Yöntemlerinin Ölçme Değişmezliğine Etkisi Açısından Karşılaştırılması, Hacettepe Üniversitesi, Eğitim Bilimleri Anabilim Dalı, Yüksek Lisans Tezi.
• İlarslan, K., (2014), Hisse Senedi Fiyat Hareketlerinin Tahmin Edilmesinde Markov Zincirlerinin Kullanılması: İMKB 10 Bankacılık Endeksi İşletmeleri Üzerine Ampirik Bir Çalışma, Yaşar Üniversitesi, 9(35), 6186-6198.
• Kazemi, U., (2017), Clustering Methods in Big Data, Journal of Embedded Systems and Processing, 2(3), 1 – 5.
• Kılıç, Y., (2011), Finansal Başarısızlık Tahmininde Veri Madenciliğinin Kullanılması: İMKB’de Bir Uygulama, Gaziantep Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, Gaziantep.
• Küçüksille, E., (2009), Veri Madenciliği Süreci Kullanılarak Portföy Performansının Değerlendirilmesi ve İMKB Hisse Senetleri Piyasasında Bir Uygulama, Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora Tezi, Isparta.
• Mynet Finans, (30.06.2017), http://finans.mynet.com/
• Özekes, S., (2003), Veri Madenciliği Modelleri ve Uygulama Alanları, İstanbul Ticaret Üniversitesi Dergisi, 3(3), 65 – 68.
• Pektaş, a. O., (2013), SPSS ile Veri Madenciliği, (1. Baskı), Dikey Eksen Yayın Dağıtım.
• Saxena, A., Mittal, M., Goyal L. M., (2015), Comparative Analysis of Clustering Methods, International Journal of Computer Applications, 118, 30 – 35.
• Sayın, A., Yandı, A., Oyar, E., (2017), Kayıp Veri ile Baş Etme Yöntemlerinin Madde Parametrelerine Etkisinin İncelenmesi, Eğitimde ve Psikolojide Ölçme ve Değerlendirme Dergisi, 8(4), 490 - 510.
• Seyrek, İ. H. - Ata, H. A., (2010), Veri Zarflama Analizi ve Veri Madenciliği ile Mevduat Bankalarında Etkinlik Ölçümü, BDDK Bankacılık ve Finansal Piyasalar, 4(2), 67-84.
• Silahtaroğlu, G., (2013), Veri Madenciliği Kavram ve Algoritmaları, (2. Baskı), İstanbul, Papatya Yayıncılık Eğitim.Şahin, Ş., (2012), Büyük Menderes Nehri Üzerindeki Akım Gözlem İstasyonlarında Eksik Verilerinin Tamamlanması, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Tapkan, P., Özbakır, L., Baykasoğlu, A., (2011), WEKA ile Veri Madenciliği Süreci ve Örnek Uygulama, Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongresi, 247-262.