Prices by Artificial Neural Networks (1988-2020)

Öz

 Gold, which has been an important trade and finance tool in every period of history, continues to be utilized as an important investment and reserve tool today. The main research subject of the study is the change in gold prices and the size of the gold-based trading volume and the relationship between the stock market. The data set of the research consists of data from 1988 to 2020. The existence, direction, and extent of the relationship between gold prices and the BIST 100 index were examined within the scope of the study. The artificial neural networks (ANN) method was used in data analysis. The causality relationships between the variables were examined in two stages as linear and probabilistic. It has been observed that the linear relationship is over 52%the probability-based relationship is 70%. For this purpose, the model developed on the control data of the period 1988-2019 was tested on the data of 2020. The relevant model provided an accuracy rate of over 54%.

Anahtar Kelimeler

• Financial Markets
• BIST
• Gold Prices
• Artificial Neural Nets Modelling

BIST 100 Endeksi İle Altın Fiyatları İlişkisinin Yapay Sinir Ağları Yöntemiyle Belirlenmesi (1988-2020)

Öz

Tarihin her döneminde önemli bir ticaret ve finans aracı olan altın, günümüzde de önemli bir yatırım ve rezerv aracı olarak değerlendirilmeye devam etmektedir. Altın fiyatlarındaki değişim ve altına dayalı işlem hacminin büyüklüğü ile borsa ilişkisi çalışmanın temel araştırma konusunu oluşturmaktadır. Çalışmanın veri seti; 1988-2020 yılları arasındaki verilerden oluşmaktadır. Altın fiyatları ve BIST 100 endeksi arasındaki ilişkinin varlığı, yönü ve boyutu çalışma kapsamında incelenmiştir. Yapay sinir ağları (YSA) yöntemi veri analizinde kullanılmıştır. Değişkenler arasındaki nedensellik ilişkileri doğrusal ve olasılık tabanlı olarak iki aşamada incelenmiştir. Doğrusal ilişkinin %52 ve olasılığa dayalı ilişkinin ise %70 üzerinde olduğu gözlemlenmiştir. Bu amaçla, 1988-2019 dönemine ait kontrol veri üzerine geliştirilen model, 2020 yılına ait veri üzerinde test edilmiştir. İlgili model %54 üzerinde bir doğruluk oranı sağlamıştır.

Anahtar Kelimeler

• Finansal Piyasalar
• BIST
• Altın Fiyatları
• Yapay Sinir Ağları Modellemesi

Kaynakça

1. Asilkan, Ö. ve Irmak, S., (2009). İkinci el otomobillerin gelecekteki fiyatlarının yapay sinir ağları ile tahmin edilmesi, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14, 375-391. Erişim adresi: https://dergipark.org.tr/tr/pub/sduiibfd/issue/20830/223124
2. Avcı, E., (2009). Yapay sinir ağları modelleri ile hisse senedi getiri tahminleri, Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26-1, 443-461. Erişim Adresi: https://dergipark.org.tr/tr/pub/muiibd/issue/485/4282
3. Aygören, H., (2012). İMKB 100 endeksinin yapay sinir ağları ve newton nümerik arama modelleri ile tahmini, Uluslararası Alanya İşletme Fakültesi Dergisi. 4 (1) ,Erişim adresi: https://dergipark.org.tr/en/pub/ uaifd/issue/21593/231861
4. Aygören, H., Sarıtaş, H. ve Moralı, T. (2012). İMKB-100 endeksinin yapay sinir ağları ve newton nümerik arama modelleri ile tahmini. Uluslararası Alanya İşletme Fakültesi Dergisi C:4, S:1, 73-88.
5. Baur D. G. ve Lucey B. M. (2010). Is gold a hedge or a safe haven? An analysis of stocks, bonds and gold. Financial Review, Vol:45 (2), pp.217–229. 10.1111/j.1540-6288.2010.00244.x
6. Bayoğlu, A. (2005). Veri madenciliği ve çimento sektöründe bir uygulama. Akademik Bilişim Konferansları 2005. Gaziantep.(ss. 1-14). Erişim Adresi: https://ab.org.tr/ab05/tammetin/171.pdf
7. BIST, (2019). Pay piyasası yeni pazar yapısında uygulanacak değerlendirme kriterleri ve işlem esasları. Erişim adresi: https://www.borsaistanbul.com/duyurular/2019/10/02/pay-piyasasi-yeni-pazar- yapisinda-uygulanacak. degerlendirme-kriterleri-ve-islem-esaslari (19.12.2019).
8. Budak, H. ve Erpolat, S (2012). Kredi riski tahmininde yapay sinir ağları ve lojistik regresyon analizi karşılaştırılması. Academic Journal of Information Technology 3 (9), 23-30.

9. Capie, F.M., Terence C. ve Wood, G. (2005). Gold as a Hedge Against the Dollar, Journal of International Financial Markets, Institutions and Money, Vol: 14, No:4, October 2005, s.343-352. Erişim Adresi: http://www.sciencedirect.com/science/article/pii/S1042443104000794
10. Ciner, C, Gurdgiev, C. ve Lucey, M. (2013). Hedges and safe havens: An examination of stocks, bonds, gold, oil and exchange rates. International Review of Financial Analysis. Volume 29, September, 202-211. https://doi.org/10.1016/j.irfa.2012.12.001
11. Coşkun, A, Güngör, B ve Çodur, M . (2015). Yapay sinir ağı yöntemi ile sermaye yapısını etkileyen faktörlerin belirlenmesi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 19 (2), 333-350. Erişim adresi: https://dergipark.org.tr/tr/pub/ataunisosbil/issue/2839/38781
12. Dawson, W.C. ve Wilby, R. (2009). An artificial neural network approach to rainfallrunoff modelling, Hydrological Sciences Journal. 59. 7. 47-66.
13. Demirceylan, Seda (2012). Erzurum’da doğalgaz tüketim miktarının yapay sinir ağı algoritması kullanılarak tahmin edilmesi. (Yayınlanmış Yüksek Lisans Tezi). Atatürk Üniversitesi. Fen Bilimleri Enstitüsü. Erzurum.
14. Fattah, A. ve Kocabıyık, T. (2020). Makroekonomik değişkenlerin borsa endeksleri üzerine etkisi: türkiye ve ABD karşılaştırması. Finansal Araştırmalar ve Çalışmalar Dergisi , 12 (22) , 116-151 . DOI: 10.14784/marufacd.691108
15. Green, T. (1993). The World of Gold. London Rosendale Press.
16. Hopfield J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 7, 2554–2558.
17. İnal, V. ve Aydın, M. (2016). Altın fiyatlarını etkilemesi beklenen faktörler üzerine bir inceleme. ICPESS 2016-ISTANBUL, 24-26 August 2016. (ss.61-70). SSRN: http://registericpess.org/index.php/ICPESS/ article/view/663/15 adresinden 06.12.2019 tarihinde erişilmiştir.
18. İnsel, İ. (2010). A comparative analysis of the ARMA and neural network models: A case Turkish economy. İktisat İşletme ve Finans, 35-64.
19. Kaynar, O. ve Taştan, S. (2009). “aman serisi analizinde MLP yapay sinir ağları ve ARIMA modelinin karşılaştırılması. Erciyes Üniversitesi Iktis. ve İdari Bilim. Fakültesi Derg., no. 33, 161–172.
20. Keskin Köylü, M. (2017). Kooperatiflerin finansal sorunları ve finansal yönetimi. Üçüncü Sektör Sosyal Ekonomi, 2017, 52 Özel sayı. 528-541.
21. Kim M.H. ve Dilts D. A. (2011). The relationship of the value of the dollar, and the prices of gold and oil: A tale of asset risk. Economic Bulletin, 31(2), 1151–1162.
22. Landi, A., Piaggi, P., Laurino, M. ve Menicucci, D. (2010). Artificial Neural Networks for nonlinear regression and classification. 10th International Conference on Intelligent Systems Design and Applications, ISDA 2010 115-120. 10.1109/ISDA.2010.5687280.
23. Malliaris A.G. ve Malliaris, M. (2013). Are oil, gold and the euro inter-related? Time series and neural network analysis”. Review of Quantitative Finance and Accounting, 40(1), 1–14. 10.1007/s11156-011- 0265-9
24. Mishkin, F.S. (2000), Finansal piyasalar ve kurumlar, (Çev: Şıklar, İlyas, Çakmak, Ahmet ve Yavuz, Suat). İstanbul: Bilim Teknik Yayınevi.
25. Öztemel E., (2012). Yapay sinir ağları, İstanbul: Papatya Yayıncılık.
26. Rastogi, S. (2016). Gold price, crude oil, exchange rate and stock markets: cointegration and neural network analysis. International Journal of Corporate Finance and Accounting (IJCFA), 3(2), 1-13. doi:10.4018/IJCFA.2016070101
27. Selik, M. (1998). 100 soruda iktisadi doktrinler tarihi, İstanbul: Gerçek Yayınevi.
28. Serttaş, Z., (2011). Türkiye’ de perakende sektöründe talebi etkileyen etmenler ve yapay sinir ağlarıyla talep tahmini uygulaması: (Yüksek Lisans Tezi) Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği. İstanbul.
29. Seyidoğlu, H. (2003). Uluslararası iktisat, teori politika ve uygulama. İstanbul: Güzem Can Yayınları.
30. Şahin, A.E., (2018). Kripto para bitcoin: ARIMA ve yapay sinir ağları ile fiyat tahmini. Fiscaoeconomia, Vol.2(2), 74-92.
31. Şengür, D. ve Tekin, A. (2013). Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini. Bilişim Teknolojileri Dergisi, Cilt: 6, Sayı: 3. 7-17.
32. Tully, E. ve Lucey, B. M. (2005). An APGARCH investigation of the main ınfluences on the gold price. Retrieved from: http://ssrn.com/abstract=792205
33. Tully, E. ve Lucey, B.M. (2007). An APGARCH ınvestigation of the main ınfluences on the gold price. Retrieved from: http://ssrn.com/abstract=79
34. USGS (2018). United States geological survey. mineral commodity summaries. gold. Retrieved from: https://minerals.usgs.gov/minerals/pubs/mcs/2018/mcs2018.pdf adresinden 11.12.2020 tarihinde erişilmiştir.
35. Ünal, İbrahim H., Tuncel, Serpil, Yöleri, Birnigar ve Arslan, Murat (2016). Türkiye’de ve dünyada altın. Ankara: Maden Tetkik ve Arama Genel Müdürlüğü Yayını.
36. White, H., (1989), Learning in Artificial neural networks: a statistical perspective, Neural Computation, Vol. 1, No. 4. 425-464.
37. World Gold Council (2020). Gold demand trends Q1 2020” world gold council report. Retrieved from: https://www.gold.org/
38. Yüksek, A.G., Birca, H., Zontul, M. ve Kaynar, O. (2007). Sivas ilinde yapay sinir ağları ile hava kalitesi modelinin oluşturulması üzerine bir uygulama. C.Ü. İktisadi ve İdari Bilimler Dergisi, Cilt 8, Sayı 1, 97-112.
39. Zagaglia P. ve Marzo M. (2013). Gold and the US dollar: Tales from the turmoil. Quantitative Finance, 13(4), 571–582. 10.1080/14697688.2012.708431
40. Zakaria, M., Al-Shebany, M. ve Sarhan, S. (2014). Artificial neural network: a brief overview. ınt. journal of engineering research and applications. International Journal of Engineering Research and Applications Vol. 4, Issue 2( Version 1), February. 07-12. Retrieved from: https://www.academia edu/6499300/B42010712 (19.12.2019).
41. Zhang, Q.J., Gupta, K.C. ve Devabhaktuni, V.K. (2003). Artificial neural networks for RF and microwave design—from theory to practice. IEEE Transactıons On Microwave Theory And Technıques, 51(4), 1339-1350, 2003.