Yapay Sinir Ağları ve Destek Vektör Makineleri

Öz

Recently neural networks and support vector machines prediction techniques are seen to be used increasingly in many finance problems such as Stock-Exchange Index financial distress prediction or classification of corporate bond as an alternative for statistical methods.. Neural Networks is conducted as a system working parallel to each other, composed of many simple elements of operation. Additionally the function is determined by structure of the network, connection weights (weights of the synapses) and performed operations in elements. Support vector machines (SVMs) which is closely related to artificial neural networks; SVM model using a sigmoid kernel the function is obtained using a two layer and feed forward neural network

Anahtar Kelimeler

• -

YAPAY SİNİR AĞLARI VE DESTEK VEKTÖR MAKİNELERİ YÖNTEMLERİYLE BORSA ENDEKSİ TAHMİNİ

Öz

Günümüzde yapay sinir ağları ve destek vektör makineleri finans alanında borsa endeks tahmini, finansal başarısızlık tahmini ya da şirket bonolarının sınıflandırılması gibi birçok alanda istatistiki yöntemlere alternatif olarak giderek artan bir şekilde kullanılmaktadır. Yapay sinir ağı, birbirlerine paralel olarak çalışan, birçok basit işlem elemanından oluşan ve fonksiyonu, ağın yapısı, bağlantı ağırlıkları ve elemanlarda gerçekleştirilen işlemler tarafından belirlenen bir sistemdir. Destek vektör makineleri de yapay sinir ağlarıyla yakından ilişkili olup, sigmoid bir kernel fonksiyonu kullanan DVM; iki katmanlı, ileri beslemeli bir yapay sinir ağına sahiptir. Bu çalışmada amaç ileri beslemeli yapay sinir ağları ve destek vektör makineleri yöntemleriyle BIST endeksinin etkin bir tahminin yapılıp yapılmayacağının ortaya konmasıdır. Çalışmada Borsa İstanbul (BIST) endeksinin tahmin edilmesi için BIST endeksinin bir, iki ve üç gün öncesine ait değerleri yanında Amerikan dolar kuru, gecelik faiz oranı ve NIKKEI (Japonya Borsası), BOVESPA (Brezilya Borsası), FTSE (İngiltere Borsası), CAC (Fransa Borsası), DAX (Almanya Borsası) internet sitelerinden elde edilen 2005-2012 tarihleri arasındaki borsa endeksi değerleri kullanılarak, BIST endeks değeri ileri beslemeli yapay sinir ağları ve destek vektör makineleri yöntemleriyle tahmin edilmiştir. Sonuç itibari ile yapay sinir ağları ve destek vektör makineleri yöntemlerinin borsa endeksinin tahmin edilmesinde modellenebileceğini göstermiştir

Anahtar Kelimeler

• Yapay Sinir Ağları, Destek Vektör Makineleri, Endeks, BIST

Kaynakça

1. AKCAN, A. ve KARTAL, C. (2011). “ĠMKB Sigorta Endeksini OluĢturan ġirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları Ġle Tahmini”, Muhasebe ve Finansman Dergisi, 27–40.
2. ALBENĠ, M. ve DEMĠR, Y. (2008). “Makro Ekonomik Göstergelerin Mali Sektör Hisse Senedi Fiyatlarına Etkisi (ĠMKB Uygulaması)”, Muğla Üniversitesi SBS Dergisi, 14: 1-18.
3. ALTAY, E. ve SATMAN, M.H. (2005). “Stock Market Forecasting: Artificial Neural Network and Linear Regression Comparison in an Emerging Market”, Journal of Financial Management and Analysis, 18(2): 18-33.
4. BAġAR, A. ve OKTAY, E. (2007). “Uygulamalı Ġstatistik 2”, Aktif Yayınevi, (4. Baskı), Ankara.
5. BRIGHAM, E. (1995). Fundementals of Financial Management, [Elektronik Sürüm], 7th, The Dryden Press, Orlando, USA.
6. CHO, V. (2003). “A Comparison Of Three Different Approaches To Tourist Arrival Forecasting”, Tourism Management, 24: 323-330.
7. ÇĠNKO, M. ve AVCI, E. (2007). “A Comparision of Neural Network and Linear Regression Forecasts of The ISE-100 Index”, Öneri, 7(28): 301-307.
8. ÇOMAK, E. (2008). Destek Vektör Makinelerinin Etkin Eğitimi Ġçin Yeni YaklaĢımlar, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.

9. DAĞLI, H. (2000). “Hisse Senedi Piyasa Endeksleri Ve Türkiye”, Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3(4): 189-206.
10. DĠLER, A.Ġ. (2003). “ĠMKB Ulusal 100 Endeksinin Yönünün Yapay Sinir Ağları Hata iye Yayma Yöntemi ile Tahmin Edilmesi”, ĠMKB Dergisi, 7(25-26): 65-81.
11. DURUKAN, M.B. (1999). “Ġstanbul Menkul Kıymetler Borsasında Makroekonomik DeğiĢkenlerin Hisse Senedi Fiyatlarına Etkisi.”, ĠMKB Dergisi, 3(11): 20-41.
12. FANG, H. ve LOO JEAN, C.H. (1996). “Foreign Exchange Risk and Common Stock Returns: A note on International Evidence”, Journal of Business Finance and Accounting, 23.
13. FAUSETT, L. (1994). “Fundamentals of Neural Networks: Architectures, Algorithmsand Applications”, USA, Prentice Hall.
14. GAZZAH, S. ve AMARA, N.B. (2008). “Neural Networks and Support Vector Machines Classifiers for Writer Identification Using Arabic Script”, The International Arab Journal of Information Technology, 5(1): 92-101.
15. HAMĠD, S.A. ve IQBAL, Z. (2004). “Using Neural Networks for Forecasting Volatility of S&P 500 Index Futures Prices”, Journal of Business Research, 57: 1116-1125.
16. HAMZAÇEBĠ, C. ve BAYRAMOĞLU, M.F. (2007). “Yapay Sinir Ağları ile ĠMKB 100 Endeksinin Tahmini” Dokuz Eylül Üniversitesi 27. Yöneylem AraĢtırması ve Endüstri Mühendisliği Ulusal Kongresi, Temmuz 2-4, Ġzmir.
17. HATĠPOĞLU, T., BORAN, S., ÖZCAN, B. ve FIĞLALI, A. (2013). “Yapay Sinir Ağı YaklaĢımıyla Çinko Kalınlığının Tahminlenmesi”, SAÜ. Fen Bilimler Dergisi, 17(1): 60-68.
18. HAYKIN S. (1999). Neural Networks: A Comprehensive Foundation [Elektronik Sürüm], Prentice Hall Inc, New Jersey.
19. HRISTEV, R.M. (1998). The ANN Book [Elektronik Sürüm], GNU Public License, (Edition 1), Boston USA.
20. HUANG, W., NAKAMORI, Y. ve WANG, S.Y. (2005). “Forecasting Stock Market Movement Direction with Support Vector Machine”, Computers & Operations Research, 32(10): 2513-2522.
21. KARA, Y., BOYACIOĞLU, M.A. ve BAYKAN, Ö.K. (2011). “Predicting Direction of Stock Price Index Movement Using Artifical Neural Networks and Support Vector Machines: The Sample of the Istanbul Stock Exchange”, Expert Systems with Aplications, 38: 5311-5319.
22. KARTALOPOULOS, S.V. (1996). Understanding Neural Network and Fuzzy Logic, Newyork: Basic Concepts and Applications, IEEE Press.
23. KECMAN, V. (2001), Learning and Soft Computing: Support Vector Machines. NeuralNetworks and Fuzzy Logic Models [Elektronik Sürüm], MIT Press, Cambridge- Massachusetts.
24. KIM, K.J. (2003). “Financial Time Series Forecasting Using Support Vector Machines”, Neurocomputing, 55: 307-319.
25. KOHONEN, T. (1987). “Int. Conf. on AI”, State of the Art in Neural Computing, pp. 1-79, 1-90.
26. KUTLU, B. ve BADUR, B. (2009). “Yapay Sinir Ağları ile Borsa Endeksi Tahmini” Yönetim, 20(63): 25-40.
27. LEWIS, C.D. (1982). “Industrial and Business Forecasting Methods” Londra, Butterworths Publishing.
28. MALLIARIS, M. ve SALCHENBERGER, L. (1996). “Using Neural Networks to Forecast The S&P100 Implied Volatility”, Neurocomputing, 10(2): 183-195.
29. MORAES, R., VALIATI, J.F., NETO, W.P.G. (2013). “Document-Level Sentiment Classification: An Empirical Comparison Between SVM and ANN”, Expert Systems with Application, 40: 621-633.
30. SONG, O., HU, W. ve XIE, W. (2002). “Robust Support Vector Machine with Bullet Hole Image Classification” [KurĢun Deliklerini Destek Vektör Makineleri ile Sınıflandırma], IEEE Transactions on Systems, Man and Cybernetics – Part C: Applications and Rewiews, 32(4): 440.
31. ÖZALP, A. ve ANAGÜN, A.S. (2003). “Yapay Sinir Ağı Performansına Etki Eden Faktörlerin Analizinde Taguchi: Hisse Senedi Fiyat Tahmini Uygulaması”, Ġstatistik AraĢtırma Dergisi, 2(1): 29-45.
32. ÖZKAN, Y. (2008). Veri Madenciliği Yöntemleri, Papatya Yayıncılık, Ġstanbul.
33. ÖZTEMEL, E. (2003). Yapay Sinir Ağları, Papatya Yayınları, Ġstanbul.
34. PAL, M. ve GOEL, A. (2006). “Prediction Of The End Depth Ratio And Discharge Ġn Semi Circular And Circular Shaped Channels Using Support Vector Machines”, Flow Measurement And Ġnstrumentation, 17: 50-57.
35. REN, J. (2012). “ANN vs. SVM: Which one performs better in Classificationof MCCs in mammogram imaginig”, Knowledge-Based Systems, 26: 144-153.
36. SAAD, E.W., DANIL, V.P. ve DONALD, C.W. (1998). “Comparative Study of Stock Trend Prediction Using Time Delay, Recurrent and Probabilistic Neural Networks,” IEEE Transactions on Neural Networks, 9(6): 1456–1470.
37. SELER, Ġ.T. (1996). “Haftanın günleri: ĠMKB’ye Etkileri Üzerine Bir Ġnceleme, Sermaye Piyasası ve ĠMKB Üzerine ÇalıĢmalar”, ĠĢletme ve Finans Yayınları, Ankara.
38. ġEN, Z. (2004). Yapay Sinir Ağları Ġlkeleri, Su Vakfı Yayınları, Ġstanbul.
39. WITTKEMPER, H.G. ve MANFRED, S. (1996). “Using Neural Networks to Forecast the Systematic Risk of Stocks,” European Journal of Operational Research, 90(3): 577-588.
40. WU, T.K., HUANG, S.C. ve MENG, Y.R. (2008). “Evaluation of ANN and SVM Classifiers As Predictors to The Diagnosis of Students with Learning”, Expert Systems with Applications, 34: 1846-1856.
41. XIONG, Y., ZHANG, Z. ve CHEN, F. (2010). “Comparison of ANN and SVM Methods for Urban Land Use/Cover Classifications from Remote Sensing Images”, 2010 International Conference on Computer and System Modeling (ICCASM 2010),v13-56.
42. YAKUT, E. (2012). “Veri Madenciliği Tekniklerinden C5.0 Algoritması, Destek Vektör Makineleri ile Yapay Sinir Ağlarının Sınıflandırma BaĢarılarının KarĢılaĢtırılması: Ġmalat Sektöründe Bir Uygulama”, Doktora Tezi, Atatürk Üniversitesi Sosyal Bilimleri Enstitüsü, Erzurum.
43. YILDIZ, B., YALAMA, A. ve COġKUN, M. (2008). “Forecasting the Istanbul Stock Exchange National 100 Index Using an Artificial Neural Network”, World Academy of Science, Engineering and Technology, No:46, 36–39.
44. YÜKSEL, E. ve GÜLERYÜZ, G. (2010). “Ġstanbul Menkul Kıymetler Borsası’nda EĢhareketlilik Ve Asimetrik Ayarlama”, Maliye Finans Yazıları, 24(88): 97-113.
45. ZHANG, G. ve HU, M.Y. (1998). “Neural Network Forecasting of the British Pound/US Dollar Exchange Rate, Omega International journal of Management Science, 26(4): 495-506.