Classification Of BIST -100 Index’ Changes Via Machine Learning Methods

Enes Filiz; Ersoy Öz

doi:10.14780/muiibd.329913

Classification Of BIST -100 Index’ Changes Via Machine Learning Methods

Öz

The changes in BIST-100 index are economically crucial. In this study, classifications will be made with

the assumption that the changes in BIST-100 index are dependent on certain factors. The classifiers to be

used are k-nearest neighbor algorithm, naive Bayes Classifier, logistic regression and C4.5 classifier from

the machine learning methods. Factors affecting the change of BIST-100 index values are deemed as Euro/

Dollar Parity, Gold value (ounce), Crude Oil Prices, Monthly Interest Rates, Inflation Data and DAX,

FTSE, S&P 500 that are widely used in the literature. As a result of the transactions performed via Weka

program, the most successful methods in order are C4.5 classifier algorithm (66.2%) and logistic regression

analysis (65.9%).

Anahtar Kelimeler

BIST-100 Index,Machine Learning Methods,Classification

Kaynakça

AKTAŞ, Cengiz, Lojistik Regresyon Analizi: Öğrencilerin Sigara İçme Alışkanlığı Üzerine Bir Uygulama,Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (26), 2009, p. 107-121.
ALBAYRAK, Ali Sait, Uygulamalı Çok Değişkenli İstatistik Teknikler, Asil Yayın Dağıtım Ltd. Şti., Ankara, 2006.
ALBAYRAK, Ali Sait; Koltan Yılmaz, Şebnem, Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama, Süleyman Demirel University The Journal of Faculty of Economics Administrative Sciences, 14, 1, 2009, p. 31-52.
AMASYALI, M. Fatih; Diri, Banu; Türkoğlu Filiz, Farklı Özellik Vektörleri İle Türkçe Dökümanların Yazarlarının Belirlenmesi, TAINN-2006.
ATASOY, Dinçer, Lojistik Regresyon Analizinin İncelenmesi ve Bir Uygulaması, Graduate thesis, Cumhuriyet University, Institute of Social Sciences, Sivas, 2001.
BALABAN, Mehmet Erdal.; Kartal, Elif, Veri Madenciliği Ve Makine Öğrenmesi, Çağlayan Kitabevi, 2015.
BALI, Selçuk; Cinel, Mehmet Ozan, Altın fiyatlarının İMKB 100 endeksi’ne etkisi ve bu etkinin ölçümlenmesi, Ataturk University Journal of Economics and Administrative Sciences, 25, 3-4, 2011, p. 45-63.
BİGPARA Web Page, http://www.bigpara.com, Access Date: 02.12.2016.

BULUT, Faruk, Dengesiz Veri Setlerinde Denetimli Öğrenicilerin Başarım Değerlendirmesi, IEEE, 978- 1-4673-8654-8/15/$31.00, 2016.
ÇOKLUK, Ömay, Lojistik regresyon Analizi: Kavram ve Uygulama, Educational Sciences: Theory & Practice, 10(3), 2010, p. 1357-1407.
EGE, İlhan; Bayrakdaroğlu, Ali, İMKB şirketlerinin hisse senedi getiri başarılarının lojistik regresyon tekniği ile analizi, Zonguldak Karaelmas University Journal of Social Sciences, 5, 10, 2009, p.139-158.
ERDAL, Hamit; Makine öğrenmesi yöntemlerinin inşaat sektörüne katkısı: basınç dayanımı tahminlemesi, Pamukkale University Journal of Engineering Sciences, 21(3), 2015, p. 109-114.
INVESTİNG Web Page, http://tr.investing.com, Access Date: 13.12.2016.
KAVZAOĞLU, Taşkın; Çölkesen, İsmail, Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi, Harita Dergisi, 144, 2010, p. 73-82.
KOYUNCUGİL, Ali Serhan; Özgülbaş, Nermin, İMKB’de işlem gören kobi’lerin güçlü ve zayıf yönleri: CHAID karar ağacı uygulaması, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23, 1, 2008, p. 1-21.
McCALLUM, A.; Nigam, K., A Comparison of Event Models For Naive Text Classification, AAAI-98 Workshop On Learning For Text Categorization, 752, 1998, p. 41-48.
MERAL, Meriç; Diri, Banu, Twitter Üzerinde Duygu Analizi, IEEE 22nd Signal Processing and Communicatios Applications Conference (SIU 2014), 978-1-4799-4874-1/14/$31.00, 2014, p. 690-693.
MİTCHELL, T.,M., Machine Learning (1st Edition), McGraw-Hill Science /Engineering / Math, 1997.
NİZAM, Hatice; Akın, Saliha Sıla, Sosyal Medyada Makine Öğrenmesi İle Duygu Analizinde Dengeli Ve Dengesiz Veri Setlerinin Performanslarının Karşılaştırılması, XIX. Türkiye’de İnternet Konferansı, 2014, inet-tr.org.tr.
ONAN, Aytuğ; Korukoğlu, Serdar, Makine Öğrenmesi yöntemlerinin görüş madenciliğinde kullanılması üzerine bir literatür araştırması, Pamukkale University Journal of Engineering Sciences, 22(2), 2016, p. 111-122.
ÖZDEMİR, A. Kerem; Tolun, Seda; Demirci, Ebru, Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB-100 Endeksi Örneği, Niğde University Journal of Economics and Administrative Sciences, 4, 2, 2011, p. 45-59.
ÖZEKES, Serhat, Veri Madenciliği Modelleri Ve Uygulama Alanları, İstanbul Ticaret Üniversitesi Dergisi, 2003, p. 65-82.
ÖZKAN, Yalçın, Veri Madenciliği Yöntemleri, Papatya Yayıncılık, 2008.
ROKACH, L.; Maimon, O., Decision Trees, Data Mining and Knowledge Discovery Handbook, Springer, 2005, p. 165-192.
SAVAŞ, İncilay; Can, İsmail, Euro-Dolar Paritesi ve Reel Döviz Kuru’nun İMKB 100 Endeksi’ne Etkisi, Eskişehir Osmangazi University Journal of Economics and Administrative Sciences, 6(1), April 2011, p. 323- 339.
SOLMAZ, Ramazan; Günay, Mücahid; Alkan, Ahmet, Uzman Sistemlerin Tiroit Teşhisinde Kullanılması, XV. Akademik Bilişim Konferansı Bildirileri, 23-25 Ocak 2013.
SÜMBÜLOĞLU, Kadir, Lojistik Regresyon Analizi,http://78.189.53.61/-/bs/ess/k_sumbuloğlu.pdf.,2015.
TAYYAR, Nezih; Tekin, Selin, İMKB-100 endeksinin destek vektör makineleri ile günlük, haftalık ve aylık veriler kullanılarak tahmin edilmesi, Abant İzzet Baysal University Journal of Social Sciences, 13, 1, 2013, p. 189-217.
TURKISH CENTRAL BANKWeb Page, http://www.tcmb.gov.tr, Access Date: 29.11.2016.
VURAN, Bengü, İMKB 100 endeksinin uluslararası hisse senedi endeksleri ile ilişkisinin eşbütünleşim analizi ile belirlenmesi, Istanbul University Journal of the School of Business, 39, 1, 2010, p. 154-168.
ZHANG, H.,The Optimality of Naive Bayes, A A, 1(2), 3, 2004.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Ekonomi

Bölüm

Araştırma Makalesi

Yazarlar

Enes Filiz Bu kişi benim

Ersoy Öz

Yayımlanma Tarihi

19 Temmuz 2017

Gönderilme Tarihi

19 Temmuz 2017

Kabul Tarihi

-

Yayımlandığı Sayı

Yıl 2017 Cilt: 39 Sayı: 1

DOI

https://doi.org/10.14780/muiibd.329913

IZ

https://izlik.org/JA77MC48YP

Kaynak Göster

RIS / Bibtex

APA

Filiz, E., & Öz, E. (2017). Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 39(1), 117-129. https://doi.org/10.14780/muiibd.329913

AMA

1.Filiz E, Öz E. Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2017;39(1):117-129. doi:10.14780/muiibd.329913

Chicago

Filiz, Enes, ve Ersoy Öz. 2017. “Classification Of BIST -100 Index’ Changes Via Machine Learning Methods”. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 39 (1): 117-29. https://doi.org/10.14780/muiibd.329913.

EndNote

Filiz E, Öz E (01 Temmuz 2017) Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 39 1 117–129.

IEEE

[1]E. Filiz ve E. Öz, “Classification Of BIST -100 Index’ Changes Via Machine Learning Methods”, Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, c. 39, sy 1, ss. 117–129, Tem. 2017, doi: 10.14780/muiibd.329913.

ISNAD

Filiz, Enes - Öz, Ersoy. “Classification Of BIST -100 Index’ Changes Via Machine Learning Methods”. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 39/1 (01 Temmuz 2017): 117-129. https://doi.org/10.14780/muiibd.329913.

JAMA

1.Filiz E, Öz E. Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2017;39:117–129.

MLA

Filiz, Enes, ve Ersoy Öz. “Classification Of BIST -100 Index’ Changes Via Machine Learning Methods”. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, c. 39, sy 1, Temmuz 2017, ss. 117-29, doi:10.14780/muiibd.329913.

Vancouver

1.Enes Filiz, Ersoy Öz. Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi. 01 Temmuz 2017;39(1):117-29. doi:10.14780/muiibd.329913