Atıf Sayısı
11
Görüntüleme
528
İndirme
80
Finansal zaman serilerinin barındırdığı belirsizlik, kaotik hareketler yanında doğrusal olmayan dinamik yapı, tahminleri oldukça güçleştirmektedir. Borsa endekslerinin politik değişimler, ekonominin genel görünümü, yatırımcıların beklenti ve yatırım tercihleri ve diğer endekslerin hareketleri gibi birçok makroekonomik faktörden etkilenmeleri, endeks tahminlerini oldukça zor ancak bir o kadar da çekici kılmaktadır. Borsa endeksi hareketleri ve geleceğe dönük tahminler üretmede makine öğrenme algoritmalarının başarılı oldukları bilinmektedir. Bu çalışmada BIST 100 endeksi hareketlerinin yönünün tahmin edilmesi problemi ele alınmıştır. Üç farklı makine öğrenme algoritması olan yapay sinir ağları, destek vektör makineleri ve naive Bayes sınıflandırıcı algoritması kullanılmış ve performansları karşılaştırılmıştır. Borsa endeksi tahminleri için kullanılan on teknik gösterge modeller için girdi olarak kullanılmıştır. Veri seti 2009-2018 periyodunu kapsayan günlük kapanış değerlerini içermektedir. Analiz sonuçları, her üç modelin de borsa endeks hareketlerini yakalamada kullanılabilir olduğunu, yapay sinir ağı algoritmasının ise daha iyi bir sınıflandırıcı olduğunu göstermiştir.
The uncertainty of the financial time series, along with chaotic movements, the nonlinear dynamic structure, makes forecasts quite stronger. The influence of many macroeconomic factors, such as political changes, the overall view of the economy, investors’ expectations and investment preferences, and the movements of other indicators, makes the index forecasts quite difficult but so attractive. It is known that machine learning algorithms are successful in producing stock index movements and future forecasts. This study addressed the problem of predicting the direction of the BIST 100 index movements. Three different machine learning algorithms have been used by artificial nerve networks, support vector machines and naive Bayes classification algorithms and performance compared. The stock exchange index is used as a input for the ten technical indicator models used for forecasts. The data set contains daily closing values covering the period 2009-2018. The results of the analysis showed that both three models could be used to capture stock index movements, while the artificial nerve network algorithm was a better classifier.
Alan : Sosyal, Beşeri ve İdari Bilimler
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley