Hibrit Regresyon Modelleri İle BİST’e Etki Eden G20 Endekslerinin Belirlenmesi

Öz

Yatırımcılar için borsa endekslerinin yönelim tahmini endeksin etkilendiği çok fazla değişken olmasından dolayı zor olduğu kadar ihtiyaç duyulan bir konudur. Küresel olaylar, politika yapıcıların davranışları, ekonomik faktörler ile özellikle son dönemde görülen salgın hastalıklar endekslerin fazlasıyla değişkenlik göstermesine sebep olmuştur. Bu çalışmada parametrik olmayan regresyon modelleri ve hibrit yaklaşımları kullanarak BİST 100 endeksine etki eden G20 endeksleri incelenmiştir. Veri setinde 2010/01/01 ve 2019/12/31 tarihleri arasında endeks günlerinin açık olduğu ortak günler dikkate alınarak 2432 günlük kapanış değerleri kullanılmıştır. Bağımsız değişkenler Bovespa, İtaly40, KOSPI, Nikkei 225, BMVIIPC ve Shanghai endeksleri seçilmiştir. Çalışmada veri madenciliği uygulamaları Knime programı yardımıyla 30 bölütleme için en yüksek R2=0,9918 için en düşük MAE=0,0650, MSE=0,0082 ve RMSE=0,0903 değerleri bulunmuştur. Analiz sonuçlarına göre Bovespa, İtaly40, KOSPI, Nikkei 225 ve BMVIIPC endekslerinin BİST-100 endeksini pozitif yönlü olarak etkilediği, Shanghai endeksinin ise negatif yönlü etkilediği belirlenmiştir.

Anahtar Kelimeler

• Veri Madenciliği
• Büyük Veri
• Hibrit Makine Öğrenmesi
• Regresyon

Determination of G20 Indices Affecting BIST with Hybrid Regression Models

Öz

For investors, the prediction of the trend of the stock market indices is not only a difficult but needed issue due to various variables that affect the index. Global events, policymakers' actions, economic variables and, in particular, recent epidemics have caused indices to respond more than once. Using hybrid regression models, the study aims to predict the relationship between BİST 100 index and G20 index. The closing values of 2,432 days are taken as the data set by considering the common days when the index days between 2010/01/01 and 2019/12/31 are open. Independent variables, Bovespa, Italy40, KOSPI, Nikkei 225, BMVIIPC, Shanghai and Tadawul, are obtained by taking into account the correlation values of indices which are expected to have an effect on the BİST index in the G20 countries, with an absolute value below 0.80. In the study, data mining applications have found the highest R2 = 0.9918 for 30 segmentation with the Knime program, the lowest MAE = 0.0650, MSE = 0.0082 and RMSE = 0.0903. According to the results of the analysis, it is determined that Bovespa, Italy40, KOSPI, Nikkei 225 and BMVIIPC indices affect BIST-100 index positively, and Shanghai index negatively.

Anahtar Kelimeler

• Data Mining
• Big Data
• Hybrid Machine Learning
• Regression

Kaynakça

1. Akman, M., Genç, Y. ve Ankarali, H. (2011). Random forests yöntemi ve sağlık alanında bir uygulama. Türkiye Klinikleri Biyoistatistik Dergisi, 3(1), 36-48.
2. Akpınar, H. (2014). Data: Veri madenciliği veri analizi. Papatya Yayıncılık Eğitim.
3. Altay, E., & Satman, M. H. (2005). Stock market forecasting: artificial neural network and linear regression comparison in an emerging market. Journal of Financial Management & Analysis, 18(2), 18.
4. Aygören, H., Saritaş, H. ve Morali, T. (2012). İMKB 100 endeksinin yapay sinir ağları ve Newton nümerik arama modelleri ile tahmini. Journal of Alanya Faculty of Business/Alanya Isletme Fakültesi Dergisi, 4(1), 73-88
5. Breiman L. (2017). Manual on setting up, using, and understanding random forests. Erişim adresi: http://www. stat. berkeley. edu/~ breiman (12.05.2020).
6. Breiman, L., Friedman, J. H., Olshen, R. A. ve Stone, C. J. (1984). Classification and regression trees. Monterey, Calif., USA: Wadsworth.
7. Caba, N. (2017). Finansal kaldıraç ve firma büyüklüğünün finansal performans üzerine etkisi: BİST sınai endeksinde işlem gören işletmeler üzerine bir uygulama. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(5), 796-811.
8. Cosgun, E. ve Karaağaoğlu, E. (2011). Veri madenciliği yöntemleriyle mikrodizilim gen ifade analizi. Hacettepe Tıp Dergisi, 42, 180-189.

9. Diler, A. İ. (2003). İMKB ulusal-100 endeksinin yönünün yapay sinir ağları hata geriye yayma yöntemi ile tahmin edilmesi. İstanbul Menkul Kıymetler Borsası Dergisi, 7(25-26), 65-82.
10. Filiz, E., Karaboğa, H. A. ve Akoğul, S. (2017). BİST-50 endeksi değişim değerlerinin sınıflandırılmasında makine öğrenmesi yöntemleri ve yapay sinir ağları kullanımı. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 26(1), 231-241.
11. Güney, S. ve Ilgin, K. S. (2019). Yatırım araçlarının BİST-100 endeksi üzerindeki etkisinin değerlendirilmesi. Erciyes Üniversitesi Iktisadi ve Idari Bilimler Faküeltesi Dergisi, (53), 226-245.
12. Güngör, B. ve Polat, A. (2020). Geleneksel yatırım araçlarının hisse senedi fiyatlarına etkisi: BİST'te sektörel bazda karşılaştırmalı bir analiz. Bingöl Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(1), 79-105.
13. Investing.com. (2020). Kripto paralar. Erişim adresi: https://tr.investing.com/crypto/currencies, (06.07.2020).
14. Kara, İ. (2019). Borsa endeksi hareket yönünün tahmininde sınıflandırma yöntemlerinin performanslarının karşılaştırılması: BİST 100 örneği. Doktora Tezi, Afyon Kocatepe Üniversitesi Sosyal Bilimler Enstitüsü, Afyonkarahisar.
15. Kara, Y., Boyacioglu, M. A. ve Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), 5311-5319.
16. Karaatlı, M., Güngör, İ., Demir, Y. ve Kalaycı, Ş. (2005). Hisse senedi fiyat hareketlerinin yapay sinir ağlari yöntemi ile tahmin edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 3(3), 38-48.
17. Lin, C. F. ve Wang, S. D. (2002). Fuzzy support vector machines. IEEE transactions on neural networks, 13(2), 464-471.
18. Özer A., Sarı, S. ve Başakın, E. E. (2017). Bulanık mantık ve yapay sinir ağları ile borsa endeks tahmini: gelişmiş ve gelişmekte olan ülkeler örneği. Hitit Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(1), 99-124.
19. Özmerdivanlı, A. (2014). Petrol fiyatlari ile BİST 100 endeksi kapanış fiyatları arasındaki ilişki. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, (43).
20. Pabuçcu, H. (2019). Borsa endeksi hareketlerinin makine öğrenme algoritmaları ile tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (23), 179-190.
21. Panigrahi, S. S. ve Mantri, J. K. (2015). Epsilon-SVR and decision tree for stock market forecasting. 2015 International Conference on Green Computing and Internet of Things (ICGCIoT), IEEE, 761-766.
22. Rygielski, C., Wang, J. C. ve Yen, D. C. (2002). Data mining techniques for customer relationship management. Technology in society, 24(4), 483-502.
23. Şimşek, M. (2016). Borsa İstanbul (BİST) ve Brics ülkelerinin hisse senedi piyasalarının ilişkisi üzerine bir inceleme. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 5(3), 520-536.
24. Tekin, B. ve Hatipoğlu, M. (2017). VIX endeksi, döviz kuru ve petrol fiyatlarının BİST 100 endeksi üzerindeki etkileri: Bir kuantil regresyon yaklaşımı. ODÜ Sosyal Bilimler Araştırmaları Dergisi (ODÜSOBİAD), 7(3), 627-634.
25. Tunç, A. ve Ülger, İ. (2016). Veri madenciliği uygulamalarında özellik seçimi için finansal değerlere binning ve five number summary metotları ile normalizasyon işleminin uygulanması. XVIII. Akademik BiliĢim Konferansı, Adnan Menderes Üniversitesi, 30.
26. Türk Dil Kurumu. (2021). Sözlükler. Erişim adresi: https://sozluk.gov.tr/, (22.02.2021)
27. Yıldız, A. ve Aksoy, E. (2014). Morgan stanley gelişmekte olan borsa endeksi ile BİST endeksi arasındaki eşbütünleşme ilişkisinin analiz edilmesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 28(1), 1-23.
28. Yıldız, B., Yalama, A. ve Coşkun, M. (2008). Forecasting the İstanbul stock exchange national 100 index using an artificial neural network. An International Journal of Science, Engineering and Technology, (46), 36-39.
29. Yu, P. S., Chen, S. T. ve Chang, I. F. (2006). Support vector regression for real-time flood stage forecasting. Journal of Hydrology, 328(3-4), 704-716.