Imkb-100 endeksinin destek vektör makineleri ile günlük, haftalik ve aylik veriler kullanarak tahmin edilmesi

Bu çalışmada İstanbul Menkul Kıymetler Borsası Ulusal 100 Endeksi (İMKB-100) hareket yönü tahmini amacıyla Destek Vektör Makineleri (DVM) yöntemi kullanılmıştır. DVM'lerin sınıflandırma başarısı çalışmada kullanılan ikinci bir yöntem olan Lojistik Regresyon (LR) yöntemi ile karşılaştırılmıştır. Çalışmada hisse senedi analizinde teknik analizin yararlandığı araçlardan biri olan teknik göstergelerden (indikatörler) yararlanılmıştır. Modellere dâhil edilen teknik göstergeler LR analizi ile incelenmiş ve LR analizinde anlamlı olan göstergeler bağımsız değişken olarak kullanılmıştır. Analiz, 03.04.1995-19.03.2012 arası dönemi kapsamaktadır. Toplam 4226 adet veri günlük, haftalık ve aylık veri setleri şeklinde düzenlenmiştir. Her veri seti için 4 model oluşturulmuş ve her model için farklı değerlendirme kriterleri uygulanarak yöntemlerin endeks hareket yönü tahmin performansları değerlendirilmiştir. Yapılan değerlendirmeler sonucunda DVM'nin oluşturulan 12 model içerisinde İMKB-100 endeksi hareket yönünü en iyi tahminlediği modelin haftalık model 1 olduğu (%70,0) gözlenmiştir. Bu model aynı zamanda İMKB-100 endeksi artış (%82,89) ve azalış yönünü (%54,68) birbirine en yakın ve yüksek oranda tahminleyen model olarak bulunmuştur.

Destek Vektör Makineleri ,

Endeks Hareket Yönü Tahmini ,

Lojistik Regresyon ,

Sınıflandırma ,

İMKB-100 ,

This study aims to forecast the movement direction of Istanbul Stock Exchange National 100 Index (ISE-100) using Support Vector Machines (SVM). SVMs' classification performance was compared with Logistic Regression (LR), the other method used in this study, in order to forecast the movement direction of ISE-100 Index. Technical indicators that are among the devices useful for technical analysis in stock prediction were used. These indicators included in models were analysed with LR analysis and then, significant ones were used as independent variables. The analysis includes the data from 03.04.1995 to 19.03.2012. 4226 data were established as daily, weekly and monthly data sets. 4 models were built for each dataset and index movement direction forecasting performance of these methods was evaluated by applying different criteria for each model. The results of this study show that SVMs estimate the movement of ISE-100 Index best with weekly Model 1 (70.0%) among 12 models. Additionally, it is observed that this model has a high level of estimation and the closest increase (82.89%) and decrease (54.68%) direction of ISE 100 Index.

Support Vector Machines, ,

Index Movement Direction Forecast, ,

Logistic Regression, ,

Classification, ,

ISE-100 ,