BİST ENDEKS HAREKET YÖNÜNÜN TAHMİNİNDE SINIFLANDIRMA YÖNTEMLERİNİN PERFORMANSLARININ KARŞILAŞTIRILMASI

Author :  

Year-Number: 2018-83
Language : null
Konu : SOSYAL BİLİMLER/İŞLETME/SAYISAL YÖNTEMLER
Number of pages: 514-524
Mendeley EndNote Alıntı Yap

Abstract

Son dönemlerde hisse senedi endeksinin fiyat ya da getirisinin tahmin edilmesinde makine öğrenmesi yöntemlerinin istatistiki yöntemlere göre daha sık kullanıldığı görülmektedir. Çalışmanın amacı, BİST Banka endeksi hareket yönünün tahmininde çeşitli sınıflandırma yöntemlerinin performanslarını karşılaştırmaktır. Çalışmada analiz yöntemlerinin girdi değişkeni olarak BİST’te hesaplanan 10 adet teknik gösterge kullanılırken bir sonraki günün borsa endeksi kapanış değeri çıktı değişkeni olarak kullanılmıştır. Bulgulara göre yapay sinir ağları (YSA), destek vektör makineleri (DVM), lojistik regresyon (LogR) ve lineer diskriminant analizi (LDA) modellerinin doğru sınıflandırma performansları sırasıyla %81.74, %60.87, %76.70, %76.87’dir. Sonuçlar, makine öğrenmesi yöntemlerinin endeks hareket yönünün tahmininde kullanılabilecek etkin yöntemler olduğunu göstermiştir.

Keywords

Abstract

Recently, the method of estimating the price or the yield of the stock index has been used more frequently than the statistical methods. The aim of the study is to compare the performance of various classification methods in the estimation of BIST Bank index movement direction. While 10 technical indicators calculated in the BİST were used as input variables for the analysis methods in the study, the next day's stock market index was used as the closing value output variable. According to findings, the correct classification performances of artificial neural networks (ANN), support vector machines (SVM), logistic regression (LR) and linear discriminant analysis (LDA) models are 81.74%, 60.87%, 76.70%, 76.87% respectively. The results show that machine learning methods are effective methods that can be used in estimating the index motion direction.

Keywords


                                                                                                                                                                                                        
  • Article Statistics