Borsa Endeksi Yönünün Makine Öğrenmesi Yöntemleri ile Tahmini: BIST 100 Örneği

Authors : Kübra AKYOL ÖZCAN

Pages : 1001-1018

Doi:10.36362/gumus.1318650

View : 51 | Download : 40

Publication Date : 2023-10-09

Article Type : Research Paper

Abstract :Borsa endeksleri ve menkul kıymetler için yön insert ignore into journalissuearticles values(artış veya azalış); tahmininde bulunmak yatırımcıların ve araştırmacıların uzun zamandır dikkatini çekmektedir. Geçmiş verilerle gelecek veriler arasındaki bağlantının kurulması bu tahmini zorlaştırmaktadır. Söz konusu bağlantı ekonometrik modeller veya yapay zekâ modelleri yardımıyla kurulmaktadır. Yapay zekâ modelleri ekonometrik modeller gibi katı varsayımlar gerektirmez, nitel ve nicel verileri kullanabilir. Bu çalışmada Ocak 2002 - Eylül 2022 tarihleri arasında aylık ortalama BIST 100 endeks değerleri alınarak, bir önceki aya göre artış gerçekleşen durumlar için “1”, azalış gerçekleşen durumlar için “0” şeklinde iki gruplu bir bağımlı değişken oluşturulmuştur. BIST 100, S&P 500, CAC40, FTSE10, NIKKEI225DAX, SHANGAICOMP, ONSUSD, USDTRY, VIX ve REPO değişkenlerinin 1. ve 2. gecikmeli değerleri bağımsız değişken olarak alınmıştır. Uygulamada BIST 100 endeksi için yön tahmininde Lojistik Regresyon Analizi insert ignore into journalissuearticles values(LR);, Lineer Diskriminant Analizi insert ignore into journalissuearticles values(LDA);, Naive Bayes Algoritması insert ignore into journalissuearticles values(NB);, Rastgele Ormanlar Algoritması insert ignore into journalissuearticles values(RF);, K-En Yakın Komşuluk Algoritması insert ignore into journalissuearticles values(KNN);, Sınıflandırma ve Regresyon Ağaçları Algoritması insert ignore into journalissuearticles values(CART);, Yapay Sinir Ağları insert ignore into journalissuearticles values(NNET);, Gauss Çekirdek Fonksiyonu ile Destek Vektör Makineleri insert ignore into journalissuearticles values(SVM-RBF);, Polinomiyal Çekirdek Fonksiyonu ile Destek Vektör Makineleri insert ignore into journalissuearticles values(SVM-POLY); olmak üzere toplam dokuz farklı makine öğrenme metodu kullanılmıştır. Sonuç olarak lineer yöntemlerin daha başarılı tahmin sonuçları ürettiği görülmektedir.
Keywords : Bist 100, Makine Öğrenmesi, Endeks tahmini