Hisse Senetlerinin Korelasyon Uzaklıklarına Dayalı Olarak Kümelenmesi

Öz

Anahtar Kelimeler

• -

HİSSE SENETLERİNİN KORELASYON UZAKLIKLARINA DAYALI OLARAK KÜMELENMESİ

Öz

Bu çalışmada yatırımcıların portföy seçiminde portföy riskinin azaltılmasına yönelik menkul kıymet değerlendirmesinde kümeleme analizi kullanılarak oluşturulabileceğinin gösterilmesi amaçlanmıştır. Araştırmada IMKB Ulusal 50 endeksinde yer alan seçilmiş hisse senetlerinin günlük kapanış fiyatlarından korelasyonlara dayalı ve tam bağıntı yöntemini kullanan hiyerarşik kümeleme analizi uygulanmıştır. Uygulama sonucunda getirileri açısından firmaların sektörel kümelenmeden daha farklı kümelendiği ve elde edilen kümelerin kendi içinde yüksek korelasyon gösterdikleri görülmüştür. Portföy riskinin azaltılmasında, menkul kıymetlerin bu tür bir çalışmayla elde edilecek farklı kümelerden seçilmesi önerilmektedir

Anahtar Kelimeler

• Menkul kıymet sınıflandırması, Hiyerarşik kümeleme analizi, Portföy seçimi

Kaynakça

1. CORONNELLO, C., TUMMINELLO, M., LILLO, F., MICCICH`E S. ve MANTEGNA, R. N. (2005) “Sector identification in a set of stock return time series traded at the London Stock Exchange”, Acta Physica Polonica B, 36, pp. 2653-2679.
2. DOSE, C. ve CINCOTTI, S. (2005) “Clustering of financial time series with application to index and enhanced index tracking portfolio”, Physica A 355, pp. 145-151.
3. DUDA, R. O., HART, P. E. ve STORK, D. G. (2001) Pattern Classification, 2nd edition. New York.: John Wiley.
4. EVERITT, B. S. (1998) The Cambridge Dictionary of Statistics. Cambridge, UK: Cambridge University Pres.
5. FAMA, E. F. (1970) “Efficient capital markets: A review of theory and empirical work”, The Journal of Finance, 25, pp. 383-417.
6. FAMA, E. F. (1991) “Efficient Capital Markets: II”, The Journal of Finance, 46, pp. 1575-1617.
7. KING, B.F. (1966) “Market and Industry Factors in Stock Price Behavior”, The Journal of Business, 39, pp.139-190.
8. KOJADINOVIC, I. (2004) “Agglomerative hierarchical clustering of continuous variables based on mutual information”, Computational Statistics & Data Analysis 46, pp. 269-294.

9. KRZNARIC, D. ve LEVCOPOULOS, C. (2002) “Optimal algorithms for complete linkage clustering in d dimensions”, Theoretical Computer Science 286, pp. 139-149.
10. MILLIGAN, G. W. (1980) “An examination of the effect of six types of error perturbation on fifteen clustering algorithms”, Psychometrika 45, pp. 325-342.
11. ONNELA, J. P., CHAKRABORTI, A., KASKI, K. ve KERTESZ, J. (2002) “Dynamic asset trees and portfolio analysis”, The European Physical Journal B 30, pp 285-288.
12. PEDRYCZ, W. (2005) Knowledge-Based Clustering: From Data to Information Granules. NJ, USA: John Wiley & Sons.
13. ROLL, R. (1988) “R2”, The Journal of Finance, 43, pp. 541-566.
14. SHARPE, W. F. (1963) “A Simplified Model for Portfolio Analysis”, Management Science 9, pp. 277-293.
15. SHARPE, W. F. (1964) “Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk”, The Journal of Finance 19, pp. 425-442.