BibTex RIS Kaynak Göster

HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ

Yıl 2016, Cilt: 38 Sayı: 1, 279 - 293, 01.06.2016
https://doi.org/10.14780/iibd.65326

Öz

popüler bir konudur. Literatürde bir gün sonraki hisse senedi fiyatını veya bir gün sonraki fiyat hareketini tahmin etmeye yönelik çalışmalar gerçekleştirilmektedir. Bununla birlikte literatürde hangi özelliklere sahip hisse senetlerinin daha yüksek doğru performans ile tahmin edileceği yönünde bir çalışma mevcut değildir. Bu çalışmada yüksek doğrulukla tahmin edilen senetlerin özelliklerini belirlemek amacıyla kümeleme analizi kullanılmıştır. Çalışmada BIST50 Endeksinde listelenen 50 adet hisse senedinin Ocak 2010 ile Kasım 2015 tarihleri arasındaki fiyat ve hacim bilgilerini kullanmak suretiyle 196 adet teknik gösterge hesaplanmıştır. Çalışmada tahmin yöntemi olarak hisse sendi fiyat tahmininde yeni yeni kullanılmaya başlanan Aşırı Öğrenme Makineleri (AÖM) kullanılmıştır. Söz konusu yöntem Yapay Sinir Ağlarına göre oldukça hızlı sonuç vermektedir. AÖM yöntemi için parametre optimizasyonu ve değişken seçimi genetik algoritma ile gerçekleştirilmiştir. Her bir hisse senedi için fiyat tahmini gerçekleştirildikten sonra, elde edilen tahmin oranları, hisse senetlerinin risk ve getiri değerleri ile birlikte k-ortalamalar yöntemi ile kümelere ayrılmıştır. Sonuçta daha yüksek risk ve daha düşük getiriye sahip senetlerin diğer gruptaki senetlerden ortalama olarak daha yüksek doğru oranı ile tahmin edildiği belirlenmiştir.

Kaynakça

  • ACHELIS, Steven, Technical Analysis from A to Z, McGraw Hill, 2001.
  • ANISH, C.M. – Majhi, Babita, “Hybrid Nonlinear Adaptive Scheme for Stock Market Prediction Using Feedback FLANN and Factor Analysis”. Journal of the Korean Statistical Society, 45(1), 2016, s.64-76.
  • ATSALAKIS, George S. – Valavanis, Kimon P., “Forecasting Stock Market Short-Term Trends Using A Neuro- Fuzzy Based Methodology”. Expert Systems with Applications, 36(7), 2009, s.10696-10707.
  • AVCI, Emin, “Stock Return Forecasts with Artificial Neural Network Models”, Marmara Üniversitesi İİBF Dergisi, 26(1), 2009, s.443-461.
  • BALLINGS, Michel, Van Den Poel, Dirk, Hespeels, Nathalie ve Gryp, Ruben, “Evaluating Multiple Classifiers for Stock Price Direction Prediction”, Expert Systems with Applications, 42(20), 2015, s.7046-7056.
  • DASH, Rajashree, Dash, P.K. ve Bisoi Ranjeeta, “A Self Adaptive Differential Harmony Search Based Optimized Extreme Learning Machine for Financial Time Series Prediction”, Swarm and Evolutionary Computation, 19, 2014, s.25-42.
  • GEN, Mitsuo – Cheng, Runwei, Genetic Algorithms and Engineering Optimization, John Wiley & Sons, 2000.
  • HAFEZI, Reza, Shahrabi, Jamal ve Hadavandi, Esmaeil, “A Bat-Neural Network Multi-Agent System (Bnnmas) for Stock Price Prediction: Case Study of Dax Stock Price”, Applied Soft Computing, 29, 2015, s.196- 210.
  • HUANG, Guang-Bin, Wang, Dian Hui ve Lan, Yuan, “Extreme Learning Machines: A Survey”, International Journal of Machine Learning and Cybernetics, 2(2), 2011, s.107-122.
  • HUANG, Guang-Bin, Zhu, Qin-Yu ve Siew, Chee-Kheong, “Extreme Learning Machine: Theory and Applications”, Neurocomputing, 70(1-3), 2006, s.489-501.
  • HUANG, Gao, Huang, Guang-Bin, Song, Shiji ve You, Keyou, “Trends in Extreme Learning Machines: A Review”, Neural Networks, 61, 2015, s.32-48.
  • İNCE, Hüseyin, Imamoğlu, Salih Zeki ve Keskin, Halit, “Öz-Düzenlemeli Harita Ağlari ile K-Ortalama Kümeleme Analizinin Karşilaştirilmasi: Tüketici Profilleme Örneği”. Gazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 28(4), 2013, s.723-731.
  • KIM, Kyoung jae – Han, Ingoo, “Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for the Prediction of Stock Price Index”, Expert Systems with Applications, 19(2), 2000, s.125-132.
  • KUSRINI, Kusrini, “Grouping of Retail Items by Using K-Means Clustering”, Procedia Computer Science, 72, 2015, s.495-502.
  • LI, Xiaodong, Xie, Haoran, Wang, Ran, Cai, Yi, Cao, Jingjing, Wang, Feng, Min, Huaqing ve Deng, Xiaotie. “Empirical Analysis: Stock Market Prediction via Extreme Learning Machine”, Neural Computing and Applications, 27(1), 2014, s.67-78.
  • ÖZÇALICI, Mehmet, “Hisse Senedi Fiyat Tahminlerinde Bilgi İşlemsel Zeka Yöntemleri: Uzman Bir Sistem Aracılığıyla BİST Uygulaması”, Kahramanmaraş, Sütçü İmam Üniversitesi Sosyal Bilimler Enstitüsü, 2015 (Yayınlanmamış Doktora Tezi).
  • ÖZKAN, Yalçın, Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim, İstanbul, 2013.
  • ROUSSEEUW, Peter J., “Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis”, Journal of Computational and Applied Mathematics, 1987, 20, s53-65.
  • SILAHTAROĞLU, Gökhan, Veri Madenciliği Kavram ve Algoritmaları, Papatya Yayıncılık Eğitim, İstanbul, 2013.
  • YANG, Xin-She, Nautre-Inspired Metaheuristic Algorithms, Frome, Luniver Press, 2010.
  • ZAHEDI, Javad – Rounaghi, Mohammad Mahdi, “Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange”, Physica A: Statistical Mechanics and its Applications, 438, 2015, 178-187.

HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ

Yıl 2016, Cilt: 38 Sayı: 1, 279 - 293, 01.06.2016
https://doi.org/10.14780/iibd.65326

Öz

popüler bir konudur. Literatürde bir gün sonraki hisse senedi fiyatını veya bir gün sonraki fiyat hareketini tahmin etmeye yönelik çalışmalar gerçekleştirilmektedir. Bununla birlikte literatürde hangi özelliklere sahip hisse senetlerinin daha yüksek doğru performans ile tahmin edileceği yönünde bir çalışma mevcut değildir. Bu çalışmada yüksek doğrulukla tahmin edilen senetlerin özelliklerini belirlemek amacıyla kümeleme analizi kullanılmıştır. Çalışmada BIST50 Endeksinde listelenen 50 adet hisse senedinin Ocak 2010 ile Kasım 2015 tarihleri arasındaki fiyat ve hacim bilgilerini kullanmak suretiyle 196 adet teknik gösterge hesaplanmıştır. Çalışmada tahmin yöntemi olarak hisse sendi fiyat tahmininde yeni yeni kullanılmaya başlanan Aşırı Öğrenme Makineleri (AÖM) kullanılmıştır. Söz konusu yöntem Yapay Sinir Ağlarına göre oldukça hızlı sonuç vermektedir. AÖM yöntemi için parametre optimizasyonu ve değişken seçimi genetik algoritma ile gerçekleştirilmiştir. Her bir hisse senedi için fiyat tahmini gerçekleştirildikten sonra, elde edilen tahmin oranları, hisse senetlerinin risk ve getiri değerleri ile birlikte k-ortalamalar yöntemi ile kümelere ayrılmıştır. Sonuçta daha yüksek risk ve daha düşük getiriye sahip senetlerin diğer gruptaki senetlerden ortalama olarak daha yüksek doğru oranı ile tahmin edildiği belirlenmiştir.

Kaynakça

  • ACHELIS, Steven, Technical Analysis from A to Z, McGraw Hill, 2001.
  • ANISH, C.M. – Majhi, Babita, “Hybrid Nonlinear Adaptive Scheme for Stock Market Prediction Using Feedback FLANN and Factor Analysis”. Journal of the Korean Statistical Society, 45(1), 2016, s.64-76.
  • ATSALAKIS, George S. – Valavanis, Kimon P., “Forecasting Stock Market Short-Term Trends Using A Neuro- Fuzzy Based Methodology”. Expert Systems with Applications, 36(7), 2009, s.10696-10707.
  • AVCI, Emin, “Stock Return Forecasts with Artificial Neural Network Models”, Marmara Üniversitesi İİBF Dergisi, 26(1), 2009, s.443-461.
  • BALLINGS, Michel, Van Den Poel, Dirk, Hespeels, Nathalie ve Gryp, Ruben, “Evaluating Multiple Classifiers for Stock Price Direction Prediction”, Expert Systems with Applications, 42(20), 2015, s.7046-7056.
  • DASH, Rajashree, Dash, P.K. ve Bisoi Ranjeeta, “A Self Adaptive Differential Harmony Search Based Optimized Extreme Learning Machine for Financial Time Series Prediction”, Swarm and Evolutionary Computation, 19, 2014, s.25-42.
  • GEN, Mitsuo – Cheng, Runwei, Genetic Algorithms and Engineering Optimization, John Wiley & Sons, 2000.
  • HAFEZI, Reza, Shahrabi, Jamal ve Hadavandi, Esmaeil, “A Bat-Neural Network Multi-Agent System (Bnnmas) for Stock Price Prediction: Case Study of Dax Stock Price”, Applied Soft Computing, 29, 2015, s.196- 210.
  • HUANG, Guang-Bin, Wang, Dian Hui ve Lan, Yuan, “Extreme Learning Machines: A Survey”, International Journal of Machine Learning and Cybernetics, 2(2), 2011, s.107-122.
  • HUANG, Guang-Bin, Zhu, Qin-Yu ve Siew, Chee-Kheong, “Extreme Learning Machine: Theory and Applications”, Neurocomputing, 70(1-3), 2006, s.489-501.
  • HUANG, Gao, Huang, Guang-Bin, Song, Shiji ve You, Keyou, “Trends in Extreme Learning Machines: A Review”, Neural Networks, 61, 2015, s.32-48.
  • İNCE, Hüseyin, Imamoğlu, Salih Zeki ve Keskin, Halit, “Öz-Düzenlemeli Harita Ağlari ile K-Ortalama Kümeleme Analizinin Karşilaştirilmasi: Tüketici Profilleme Örneği”. Gazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 28(4), 2013, s.723-731.
  • KIM, Kyoung jae – Han, Ingoo, “Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for the Prediction of Stock Price Index”, Expert Systems with Applications, 19(2), 2000, s.125-132.
  • KUSRINI, Kusrini, “Grouping of Retail Items by Using K-Means Clustering”, Procedia Computer Science, 72, 2015, s.495-502.
  • LI, Xiaodong, Xie, Haoran, Wang, Ran, Cai, Yi, Cao, Jingjing, Wang, Feng, Min, Huaqing ve Deng, Xiaotie. “Empirical Analysis: Stock Market Prediction via Extreme Learning Machine”, Neural Computing and Applications, 27(1), 2014, s.67-78.
  • ÖZÇALICI, Mehmet, “Hisse Senedi Fiyat Tahminlerinde Bilgi İşlemsel Zeka Yöntemleri: Uzman Bir Sistem Aracılığıyla BİST Uygulaması”, Kahramanmaraş, Sütçü İmam Üniversitesi Sosyal Bilimler Enstitüsü, 2015 (Yayınlanmamış Doktora Tezi).
  • ÖZKAN, Yalçın, Veri Madenciliği Yöntemleri, Papatya Yayıncılık Eğitim, İstanbul, 2013.
  • ROUSSEEUW, Peter J., “Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis”, Journal of Computational and Applied Mathematics, 1987, 20, s53-65.
  • SILAHTAROĞLU, Gökhan, Veri Madenciliği Kavram ve Algoritmaları, Papatya Yayıncılık Eğitim, İstanbul, 2013.
  • YANG, Xin-She, Nautre-Inspired Metaheuristic Algorithms, Frome, Luniver Press, 2010.
  • ZAHEDI, Javad – Rounaghi, Mohammad Mahdi, “Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange”, Physica A: Statistical Mechanics and its Applications, 438, 2015, 178-187.
Toplam 21 adet kaynakça vardır.

Ayrıntılar

Konular Ekonomi
Diğer ID JA94NZ95NA
Bölüm Makaleler
Yazarlar

Mehmet Özçalıcı Bu kişi benim

Yayımlanma Tarihi 1 Haziran 2016
Gönderilme Tarihi 1 Haziran 2016
Yayımlandığı Sayı Yıl 2016 Cilt: 38 Sayı: 1

Kaynak Göster

APA Özçalıcı, M. (2016). HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ. Marmara Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 38(1), 279-293. https://doi.org/10.14780/iibd.65326
AMA Özçalıcı M. HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi. Haziran 2016;38(1):279-293. doi:10.14780/iibd.65326
Chicago Özçalıcı, Mehmet. “HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ”. Marmara Üniversitesi İktisadi Ve İdari Bilimler Dergisi 38, sy. 1 (Haziran 2016): 279-93. https://doi.org/10.14780/iibd.65326.
EndNote Özçalıcı M (01 Haziran 2016) HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 38 1 279–293.
IEEE M. Özçalıcı, “HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ”, Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, c. 38, sy. 1, ss. 279–293, 2016, doi: 10.14780/iibd.65326.
ISNAD Özçalıcı, Mehmet. “HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ”. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 38/1 (Haziran 2016), 279-293. https://doi.org/10.14780/iibd.65326.
JAMA Özçalıcı M. HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2016;38:279–293.
MLA Özçalıcı, Mehmet. “HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ”. Marmara Üniversitesi İktisadi Ve İdari Bilimler Dergisi, c. 38, sy. 1, 2016, ss. 279-93, doi:10.14780/iibd.65326.
Vancouver Özçalıcı M. HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2016;38(1):279-93.