SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2011 / Cilt: 26 Sayı: 4

YALIN SİNİRSEL BULANIK BİR MODEL İLE İMKB 100 ENDEKSİ TAHMİNİ

Yeşim Ok
Mehmet Atak
M. Ali Akçayol
Pages
—
Publication Date
2013-02-20
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen deneysel sonuçlar, ANFIS ile yalnızca iki girdideğişkeni kullanılarak, karmaşık bir modele gereksinim duyulmadan, İMKB 100 Endeksinin kısa dönemdeöngörülebilir olduğunu göstermiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, İstanbul Menkul Kıymetler Borsası (İMKB) Ulusal 100 Endeksinin öngörülebilirliği geriye dönükolarak Adaptif Sinirsel Bulanık Çıkarım Sistemi (Adaptive Neuro Fuzzy Inference System - ANFIS) kullanılarakkurulan modeller ile test edilmiştir.
📊
Key Findings & Data:Ayrıca endeksin tahmini için kullanılan girdilerin modele katkıları da tahminperformansı esas alınarak değerlendirilmiştir.
💡
Conclusion & Impact:Elde edilen deneysel sonuçlar, ANFIS ile yalnızca iki girdideğişkeni kullanılarak, karmaşık bir modele gereksinim duyulmadan, İMKB 100 Endeksinin kısa dönemdeöngörülebilir olduğunu göstermiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:İMKB 100 Endeksi tahmini · ANFIS · sinirsel bulanık sistemler

Özet

Bu çalışmada, İstanbul Menkul Kıymetler Borsası (İMKB) Ulusal 100 Endeksinin öngörülebilirliği geriye dönükolarak Adaptif Sinirsel Bulanık Çıkarım Sistemi (Adaptive Neuro Fuzzy Inference System - ANFIS) kullanılarakkurulan modeller ile test edilmiştir. Ayrıca endeksin tahmini için kullanılan girdilerin modele katkıları da tahminperformansı esas alınarak değerlendirilmiştir. Başarılı borsa tahmininde en önemli unsur, en az sayıda girdi ve enaz karmaşık model ile en iyi sonucun elde edilebilmesidir. Bu bağlamda bu çalışmada çok fazla girdi değişkenikullanılmasına gerek duyulmadan, İMKB 100 endeksinin ANFIS ile ne derece tutarlı tahmin edilebileceğigösterilmek istenmiştir. Bu amaçla, analiz dönemi olarak yaklaşık dört buçuk yıllık bir süre seçilmiş; iki girdili(dolar kuru ve gecelik faiz oranı) ve üç girdili (dolar kuru, gecelik faiz oranı ve işlem hacmi) olmak üzere ikifarklı model kurulmuştur. ANFIS kullanılarak her iki model ile de belirleyicilik katsayısı yüksek olan,dolayısıyla tutarlı tahmin sonuçları elde edilmiştir. Elde edilen deneysel sonuçlar, ANFIS ile yalnızca iki girdideğişkeni kullanılarak, karmaşık bir modele gereksinim duyulmadan, İMKB 100 Endeksinin kısa dönemdeöngörülebilir olduğunu göstermiştir.

🔖

Cite This Article

Ok, Y., Atak, M., Akçayol, M. A. (2013). YALIN SİNİRSEL BULANIK BİR MODEL İLE İMKB 100 ENDEKSİ TAHMİNİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 4. https://ajindex.com/articles/1078492

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (107)

  1. Kutlu, B., Badur, B., “Yapay Sinir Ağları İle
  2. Borsa Endeksi Tahmini”, Yönetim, 63:25-40,
  3. İşeri, M., Çağlar, H., Çağlar N., “A model
  4. proposal for the chaotic structure of Istanbul stock
  5. exchange”, Chaos, Solitons and Fractals:1392–1398, 2008.
  6. Murphy, J.J, “Technical Analysis of the
  7. Financial Markets: A Comprehensive Guide to
  8. Trading Methods and Applications” New York
  9. Institute of Finance, 1999.
  10. Diler, A. İ., “İMKB Ulusal 100 Endeksinin
  11. Yönünün Yapay Sinir Ağları: Hata Geriye Yayma
  12. Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi,:65–81, 2003.
  13. Yumlu, S., Gürgen, F., Okay, N., “A Comparison
  14. of Global,Recurrent and Smoothed-Piecewise
  15. Neural Models for Istanbul Stock Exchange
  16. Prediction”, Pattern Recognition Letters,:2903- 2103, 2004.
  17. Altay, E., Satman, M. H., “Stock Market
  18. Forecasting: Artificial Neural Networks and Linear
  19. Regression Comparison in an Emerging Market”,
  20. Journal of Financial Management and Analysis,
  21. :18-33, 2005.
  22. Karaatlı, M., Güngör, İ., Demir Y. Kalaycı, Ş.,
  23. “Hisse Senedi Fiyat Hareketlerinin Yapay Sinir
  24. Ağları Yöntemi ile Tahmin Edilmesi”, Balıkesir
  25. Üniversitesi İİBF Dergisi, 2(1), 22–48, 2005.
  26. Karaçor, Z., Alptekin, V. “Finansal Krizlerin
  27. Önceden Tahmin Yoluyla Değerlendirilmesi:
  28. Türkiye Örneği”, Yönetim ve Ekonomi, 13 (2),
  29. 256, 2006.
  30. Avcı, E., “Forecasting daily and sessional returns
  31. of the ISE-100 index with neural network models”,
  32. Journal of Dogus University, 8(2):128–142, 2007.
  33. Hamzaçebi, C., Bayramoğlu, M. F., “Yapay
  34. Sinir Ağları ile İMKB 100 Endeksinin Tahmini”,
  35. YAEM 27.Ulusal Kongresi, Dokuz Eylül
  36. Üniversitesi Mühendislik Fakültesi Endüstri
  37. Mühendisliği Bölümü ve Yöneylem Araştırması
  38. Derneği, 2007.
  39. Yıldız, B., Yalama A., Coşkun M., “Forecasting
  40. the Istanbul Stock Exchange National 100 Index
  41. Using an Artificial Neural Network”, World
  42. Academy of Science, Engineering and
  43. Technology 46:36-39, 2008.
  44. Öğüt, H., Doğanay M., Aktaş,R., “Detecting
  45. stock-price manipulation in an emerging market:
  46. The case of Turkey”, Expert Systems with
  47. Applications 36:11944–11949, 2009.
  48. Quek, C. Predicting the impact of anticipator
  49. action on US stock market – An event study using
  50. ANFIS (a neural fuzzy model). Computational
  51. Intelligence, 23, 117–141, 2005.
  52. Trinkle, B. S., “Forecasting annual excess stock
  53. returns via an adaptive network-based fuzzy
  54. inference system”, Intelligent Systems in
  55. Accounting, Finance and Management, 13(3),
  56. 177, 2006.
  57. Atsalakis, G., Valavanis, K., “Forecasting stock
  58. market short-term trends using a neuro-fuzzy based
  59. methodology” Expert Systems with Applications,
  60. : 10696–10707, 2009.
  61. Akbar E., Werya A., “Adapted Neuro-Fuzzy
  62. Inference System on indirect approach TSK fuzzy
  63. rule base for stock market analysis”,Expert
  64. Systems with Applications 37:4742–4748, 2010.
  65. Boyacioglu, M., A., Avci, D., “An Adaptive
  66. Network-Based Fuzzy Inference System (ANFIS)
  67. for the prediction of stock market return: The case
  68. of the Istanbul Stock Exchange”, Expert Systems
  69. with Applications 37: 7908–7912, 2010.
  70. Atsalakis G., Valavanis K., “Surveying stock
  71. market forecasting techniques – Part II: Soft
  72. computing methods”, Expert Systems with
  73. Applications 36(3): 5932–5941 2009.
  74. Baykal, N., Beyan T., “Bulanık mantık uzman
  75. sistemler ve denetleyiciler”, Bıçaklar Kitabevi,
  76. Ankara 2004.
  77. Abraham, A., “Neuro-fuzzy systems: state-ofthe-
  78. art modeling techniques, connectionist models
  79. of neurons, learning processes and artificial
  80. intelligence”, Lecture Notes in Computer
  81. Science, 2084: 269-276, 2001.
  82. Takagi, T., Sugeno, M., “Fuzzy identification of
  83. systems and its applications to modelling and
  84. control”, IEEE Transactions on Systems, Man,
  85. and Cybernetics, 15: 116–132, 1985.
  86. Jang, J. S. R., “ANFIS: Adaptive-network
  87. based fuzzy inference systems”, IEEE Trans. On
  88. Systems, Man, and Cybernetics, 23 (03): 665-, 1993.
  89. Demuth, H., Beale, M., “Anfis and the ANFIS
  90. Editor GUI” Fuzzy logic toolbox for use with MATLAB, User’s Guide Version 4, 2:104-130,
  91. MA, 2000.
  92. Izumi, K., & Ueda, KAnalysis of exchange rate
  93. scenarios using an artificial market approach.
  94. Proceedings of the international conference on
  95. artificial intelligence, 2:360–366, 1999.
  96. Akel, V., Bayramoğlu, M., F., “Kriz
  97. Dönemlerinde Yapay Sinir Ağlari ile Finansal
  98. Öngörüde Bulunma: İmkb 100 Endeksi Örneği”,
  99. International Symposium on International
  100. Capital Flows and Emerging Markets, Balıkesir,
  101. Öğüt, H., Doğanay M., Aktaş,R., “Detecting
  102. Applications 36:11944–11949, 2009.
  103. : 10696–10707, 2009.
  104. Akbar E., Werya A., “Adapted Neuro-Fuzzy
  105. of the Istanbul Stock Exchange”, Expert Systems
  106. with Applications 37: 7908–7912, 2010.
  107. Applications 36(3): 5932–5941 2009.