ANALYSIS OF BIST BANK INDEX WITH DATA BASED MODELS

Abstract

Purpose: In the study, in order to determine the changes in the expectations of the investors and to make the right decisions, the effect of Risk Appetite Index and VIX Fear Index, which are among the risk appetite indicators, on stock returns were tried to be predicted for the markets of our country.

Methodology: The methods included in the research that support the theoretical part of the study are Artificial Neural Networks (ANN), Support Vector Machines (SVM) and Adaptive Network-Based Fuzzy Inference System (ANFIS). Statistica and MATLAB package programs were used to apply the methods.

Findings: As a result of the analysis, it has been revealed that the Risk Appetite Index and VIX Fear Index can predict stock returns with acceptable accuracy. Thus, the decision makers and institutions can carry out their investments more efficiently.

Originality: Choosing the most accurate risk appetite indicator and using it in return estimates will contribute to the efficiency of investors’ decisions. In this study, it is tried for the first time to estimate the relationship between risk appetite indicators and return index for Turkey using data-based models.

Keywords

• Artificial Neural Networks (ANN)
• Support Vector Machines (SVM)
• Adaptive Network Based Fuzzy Inference System (ANFIS)
• Risk Appetite

BORSA İSTANBUL BANKA ENDEKSİ’NİN VERİ TABANLI MODELLER İLE ANALİZ EDİLMESİ

Öz

Amaç: Çalışmada yatırımcıların beklentilerinde meydana gelen değişikliklerin belirlenmesi ve doğru kararlar almaları amacıyla, risk iştahı göstergelerinden Risk İştahı Endeksi ve VIX Korku Endeksinin hisse senedi getirileri üzerindeki etkisi ülkemiz piyasaları için tahmin edilmeye çalışılmıştır.

Yöntem: Çalışmanın teorik kısmını destekleyecek olan, araştırmada yer alan yöntemler; Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM) ve Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS)’dir. Yöntemleri uygulamak için Statistica ve MATLAB paket programlarından faydalanılmıştır.

Bulgular: Yapılan analizler sonucunda Risk İştahı Endeksi ve VIX Korku Endeksinin hisse senedi getirilerini kabul edilebilir doğrulukta tahmin edebildiği ortaya çıkmıştır. Bu sayede karar alıcı kişi ya da kurumların yatırım işlemlerini etkin bir şekilde gerçekleştirebilmelerinin önü açılacaktır.

Özgünlük: Risk iştahı göstergelerinden en doğru olanının seçilmesi ve getiri tahminlerinde kullanılmasının, yatırımcıların kararlarının etkinliğine katkı sağlayacaktır. Bu çalışma ile veri tabanlı modeller kullanılarak risk iştahı göstergeleriyle getiri endeksi arasındaki ilişkinin Türkiye için tahmin edilmesi ilk kez denenmiştir.

Anahtar Kelimeler

• Yapay Sinir Ağları
• Destek Vektör Makineleri
• Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi
• Risk İştahı

Kaynakça

1. ADRIAN, T., ETULA., E. ve SHIN, H. S. (2010), Risk Appetite and Exchange Rates, FRB of New York Staff Report, 361.
2. AKDAĞ, S. (2019), VIX Korku Endeksinin Finansal Göstergeler Üzerindeki Etkisi: Türkiye Örneği, Hitit Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 12 (1), 235-256.
3. AKDAĞ, S. ve ISKENDEROĞLU, Ö. (2019), Risk İştahı Endeksinin Markov Rejim Modeli ile İncelenmesi: Türkiye Örneği, Ege Akademik Bakış Dergisi, 19 (2), 265-275.
4. BAŞAKIN, E. E., ÖZGER, M. ve ÜNAL, N. E. (2019), Gri Tahmin Yöntemi ile İstanbul Su Tüketiminin Modellenmesi, Politeknik Dergisi, 22 (3), 755-761.
5. BEKAERT, G. ve HOEROVA, M. (2014), The VIX, The Variance Premium and Stock Market Volatility. Journal of Econometrics, 183 (2), 181-192.
6. BLOOMBERG, (2020), Piyasalar, https://www.bloomberght.com (Erişim Tarihi: 05.01.2020).
7. CANER, M., ve HANSEN, B. E. (2001), Threshold Autoregression with A Unit Root. Econometrica, 69 (6), 1555-1596.
8. DEUTSCHE BUNDESBANK (2005), Risk Appetite in a Dynamic Financial Market Environment, Monthly Report, 85-97.

9. BURGES, C. J. (1998), A Tutorial on Support Vector Machines for Pattern Recognition, Data Mining and Knowledge Discovery, 2 (2), 121-167.
10. CAMPBELL, J. Y. ve COCHRANE, J. H. (1999), By Force of Habit: A Consumption-Based Explanation of Aggregate Stock Market Behavior. Journal of Political Economy, 107 (2), 205-251.
11. CBOE, (2020), Products, http://www.cboe.com (Erişim Tarihi: 07.01.2020).
12. CHERKASSKY, V. ve MULIER, F. (2007), Learning from Data: Concepts, Theory and Methods, John Wiley & Sons, United States.
13. CRISTIANINI, N. ve SHAWE-TAYLOR, J. (2000), An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge University Press, Cambridge.
14. DEMİREZ, D. ve KANDIR, S. (2020), Risk İştahının Pay Getirileri Üzerindeki Etkisinin İncelenmesi, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 29 (4), 92-102.
15. DEMİRPENÇE, H. K. (2005), Köprüçay Akımlarının Yapay Sinir Ağları ile Tahmini, Antalya Yöresinin İnşaat Mühendisliği Sorunları Kongresi, Antalya.
16. GAI, P. ve VASUE, N. (2005), Measuring Investors’ Risk Appetite, International Journal of Central Banking, 2 (1), 167-188.
17. GUNN, S. R. (1998), Support Vector Machines for Classification and Regression, ISIS Technical Report, 14 (1), 5-52.
18. HAYKIN, S. S. (2009), Neural Networks and Learning Machines, Prentice Hall.
19. JANG, J. S. (1993), ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Transactions on Systems, Man, and Cybernetics, 23 (3), 665-685.
20. JANG, J. S. R., SUN, C. T. ve MIZUTANI, E. (1997), Neuro-Fuzzy and Soft Computing - A Computational Approach to Learning and Machine Intelligence, IEEE Transactions on Automatic Control, 42 (10), 1482-1484.
21. ILLING, M. ve AARON, M. (2005), A Brief Survey of Risk-Appetite Indexes, In Bank of Canada Financial System Review, 37-43.
22. KAPLAN, H. E. (2020), Sermaye Yeterlilik Rasyosu ile Dolar Kuru, Altın Fiyatları ve Risk İştahı İlişkisi: Türk Bankacılık Sektöründe Bir İnceleme, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 66, 220-233.
23. LEE, J., ve STRAZICICH, M. C. (2003), Minimum Lagrange Multiplier Unit Root Test with Two Structural Breaks, Review of Economics and Statistics, 85 (4), 1082-1089.
24. LUO, J., SAKS, P. ve SATCHELL, S. (2009), Implementing Risk Appetite in the Management of Currency Portfolios, Journal of Asset Management, 9 (6), 380-397.
25. MERKEZİ KAYIT KURULIŞU, (2020), Saklama Hizmetleri, https://www.mkk.com.tr (Erişim Tarihi: 12.01.2020).
26. PFLUEGER, C, SIRIWARDANE, E. ve SUNDERAM, A. (2018), A Measure of Risk Appetite for the Macroeconomy, NBER Working Paper (No. w24529), 1-53.
27. QADAN, M. ve IDILBI-BAYAA, Y. (2020), Risk Appetite and Oil Prices, Energy Economics, 85, 104595.
28. SARAÇ, T. B, İSKENDEROĞLU, Ö. ve AKDAĞ, S. (2016), Yerli ve Yabancı Yatırımcılara Ait Risk İştahlarının İncelenmesi: Türkiye Örneği, Sosyoekonomi, 24 (30), 29-44.
29. SHEKARIAN, E. ve GHOLIZADEH, A. A. (2013), Application of Adaptive Network Based Fuzzy Inference System Method in Economic Welfare, Knowledge-Based Systems, (39), 151-158.
30. SMOLA, A. J. ve SCHOLKOPF, B. (2004), A Tutorial on Support Vector Regression, Statistics and Computing, 14 (3), 199-222.
31. SUPARTA, W. ve ALHASA, K. M. (2016), Modeling of Tropospheric Delays Using ANFIS, Springer, Switzerland.
32. VAPNIK, V. N. (1995), The Nature of Statistical Learning Theory, Springer Science & Business Media, New York.
33. VAPNIK, V. ve CHERVONENKIS, A. (1974), Theory of Pattern Recognition, Akademie-Verlag, Berlin.
34. VARLIK, N. ve VARLIK, S. (2016), Risk Algısının Türkiye’de Bankacılık Sektörüne Etkileri: Bankacılık Sağlamlık Endeksi ile Bir Değerlendirme, Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23 (2), 545-563.
35. WEBB, A. R. (2002), Statistical Pattern Recognition, John Wiley & Sons, Estonia.
36. YARAR, A. (2010), Susurluk Havzası Yağış Akış Verilerinin Modellenmesi, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
37. ZADEH, L. A. (1965), Information and Control, Fuzzy Sets, 8 (3), 338-353.