SavedAdd your journal

Journals / Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2024 / Sayı: 69

STOCK PRICE FORECASTING USING VAR MODEL AND ARTIFICIAL NEURAL NETWORK ALGORITHM: AN APPLICATION WITH BIST100 STOCKS

HİSSE SENEDİ FİYATLARININ VAR MODELİ VE YAPAY SİNİR AĞLARI ALGORİTMASI İLE TAHMİNİ: BIST100 PAY SENETLERİYLE BİR UYGULAMA

Salih Çam(Çukurova Üniversitesi)0000-0002-3521-5728
Pages
27–35
Publication Date
2024-12-30
🏛️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)

The results show that the forecasts produced by the hybrid forecasting method are superior to the forecasts produced by the econometric models.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Predicting the future price of highly liquid assets such as stocks is very difficult.
📊
Key Findings & Data:Although traditional econometric models have some success in predicting financial instruments, nonlinear methods based on artificial intelligence often show higher prediction performance.
💡
Conclusion & Impact:The results show that the forecasts produced by the hybrid forecasting method are superior to the forecasts produced by the econometric models.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Hisse Senedi Fiyatları · Yapay Sinir Ağları Algoritması · Gecikmesi Dağıtılmış Otoregresif Modeller

Abstract

Predicting the future price of highly liquid assets such as stocks is very difficult. Although traditional econometric models have some success in predicting financial instruments, nonlinear methods based on artificial intelligence often show higher prediction performance. In this study, VAR models and artificial neural network algorithms are jointly used for price prediction. The main purpose of choosing a hybrid forecasting method is to model the linear information in stock prices with VAR models and the nonlinear information with the artificial neural network algorithm. The results show that the forecasts produced by the hybrid forecasting method are superior to the forecasts produced by the econometric models. According to the sum of squared errors, the forecasts obtained from the hybrid model are superior to the linear econometric model for all stocks in the investment space, except for AKBNK, ALBRK, BUCIM, DOHOL, GSDHO, TSKB, SKBNK and SNGYO.

Özet

Hisse senetleri gibi oynaklığı yüksek varlıklarla ilgili gelecek tahmini yapmak oldukça zordur. Geleneksel ekonometrik modeller finansal araçların tahmininde bir noktaya kadar başarılı sonuç verse de yapay zekâ tabanlı doğrusal olmayan yöntemler çoğu zaman daha etkin tahmin performansı göstermektedir. Bu çalışmada fiyat tahmini yapmak amacıyla VAR modelleri ve Yapay Sinir Ağları algoritması birlikte kullanılmıştır. Birleşik tahmin sürecinin tercih edilmesindeki amaç hisse senetlerinin taşıdığı doğrusal bilginin VAR modelleriyle, doğrusal olmayan bilginin ise Yapay Sinir Ağları algoritmasıyla modellenmesidir. Sonuçlar birleşik model ile elde edilen tahminlerin ekonometrik modellerin tahmininden daha üstün olduğunu göstermektedir. Model hata kareleri toplamına göre AKBNK, ALBRK, BUCIM, DOHOL, GSDHO, TSKB, SKBNK ve SNGYO hisse senetleri hariç diğer tüm pay senetlerinde VAR-YSA tahmin modeli daha iyi fiyat tahmini yapmıştır.

🔖

Cite This Article

Çam, S. (2024). STOCK PRICE FORECASTING USING VAR MODEL AND ARTIFICIAL NEURAL NETWORK ALGORITHM: AN APPLICATION WITH BIST100 STOCKS. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı: 69, 27–35. https://doi.org/10.18070/erciyesiibd.1362732

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (76)

  1. Abd-Alla, M. H., ve Sobh, M. (2020). Empirical test of fama and french three-factor model in the Egyptian stock exchange. Financial Assets and Investing, 11(2), 5-18.
  2. Abounoori, E., ve Tazehabadi, A. G. (2009, April). Forecasting stock price using macroeconomic variables: A hybrid ARDL, arima and artificial neural network. in 2009 International Conference on Information and Financial Engineering (pp. 149-153). IEEE.
  3. Agatonovic-Kustrin, S., ve Beresford, R. (2000). Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. Journal of Pharmaceutical and Biomedical Analysis, 22(5), 717-727.
  4. Akıncı, G. Y., ve Küçükçaylı, F. (2016). Hisse senedi piyasası ve döviz kuru mekanizmaları üzerine bir panel veri analizi. Muhasebe ve Finansman Dergisi, (71), 127-148.
  5. Aksoy, B. (2021). Pay senedi fiyat yönünün makine öğrenmesi yöntemleri ile tahmini: Borsa İstanbul örneği. Business and Economics Research Journal, 12(1), 89-110.
  6. Al-Mwalla, M., ve Karasneh, M. (2011). Fama and french three factor model: Evidence from emerging market. European Journal of Economics, Finance and Administrative Sciences, 41(14), 132-140.
  7. Arslankaya, S., ve Toprak, Ş. (2021). Makine öğrenmesi ve derin öğrenme algoritmalarını kullanarak hisse senedi fiyat tahmini. International Journal of Engineering Research and Development, 13(1), 178-192.
  8. Babu, C. N., ve Reddy, B. E. (2014). A moving-average filter based hybrid ARIMA–ANN Model for forecasting time series data. Applied Soft Computing, 23, 27-38.
  9. Bajpai, S., ve Sharma, A. K. (2015). An empirical testing of capital asset pricing model in India. Procedia-Social and Behavioral Sciences, 189, 259-265.
  10. Baskan, T. D., ve Uslu, A. (2020). Hisse senedi fiyatları ile finansal oranlar arasındaki ilişkinin panel veri analizi yöntemiyle incelenmesi: Türkiye ve Almanya ulaştırma sektörü uygulaması. International Journal of Social, Political and Economic Research, 7(2), 372-393.
  11. Basu, D., ve Chawla, D. (2010). An empirical test of CAPM—The case of Indian stock market. Global Business Review, 11(2), 209-220.
  12. Bhowmik, R., ve Wang, S. (2020). Stock market volatility and return analysis: A systematic literature review. Entropy, 22(5), 522.
  13. Blitz, D. (2020). Factor Performance 2010–2019: A lost decade?. The Journal of Beta Investment Strategies, 11(2), 57-65.
  14. Bornholt, G. N. (2012). The failure of the capital asset pricing model (CAPM): An update and discussion. Available at SSRN 2224400.
  15. Brandt, M. W., ve Kang, Q. (2004). On the relationship between the conditional mean and volatility of stock returns: A latent VAR approach. Journal of Financial Economics, 72(2), 217-257.
  16. Chen, D. H., Chen, C. D., ve Wu, S. C. (2014). VaR and the cross-section of expected stock returns: An emerging market evidence. Journal of Business Economics and Management, 15(3), 441-459.
  17. Chen, W., Lu, X., ve Wang, J. (2022). Modeling and managing stock market volatility using MRS-MIDAS model. International Review of Economics & Finance, 82, 625-635.
  18. Chiah, M., Chai, D., Zhong, A., ve Li, S. (2016). A better model? An empirical ınvestigation of the Fama–French five‐factor model in Australia. International Review of Finance, 16(4), 595- 638.
  19. Cohen, M. H., ve Natoli, V. D. (2003). Risk and utility in portfolio optimization. Physica A: Statistical Mechanics and its Applications, 324(1-2), 81-88.
  20. Cox, S., ve Britten, J. (2019). The Fama-French Five-Factor Model: Evidence from the Johannesburg stock exchange. Investment Analysts Journal, 48(3), 240-261.
  21. Çam S., Balli, E., ve Sigeze, Ç. (2017). Petrol fiyatlarindaki oynakliğin ARCH/GARCH modelleri ve yapay sinir ağlari algoritmasi ile tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(13), 588-597.
  22. Çam, S., ve Kılıç, S. B. (2018). Altin fiyati günlük getirilerinin yapay sinir ağlari algoritmasi ve markov zincirleri modelleri ile tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 681-694.
  23. Çınaroğlu, E., ve Avcı, T. (2020). THY hisse senedi değerinin yapay sinir ağları ile tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34(1), 1-19.
  24. Çoban, Ç., ve Hayat, E. (2023). Hisse Senedi piyasası analizinde farklı derin sinir ağı modellerinin karşılaştırılması. Adnan Menderes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2), 120-139.
  25. D’Ecclesia, R. L., ve Clementi, D. (2021). Volatility in the stock market: ANN versus parametric models. Annals of Operations Research, 299(1), 1101-1127.
  26. Dawar, I., Dutta, A., Bouri, E., ve Saeed, T. (2021). Crude oil prices and clean energy stock ındices: Lagged and asymmetric effects with quantile regression. Renewable Energy, 163, 288-299.
  27. Dayı, F. (2018). Hisse senedi getirilerinin tahmininde yapay sinir aği modeli kullanimi: imkb’de bir uygulama. Akademik Araştırmalar ve Çalışmalar Dergisi (AKAD), 10(19), 572-592.
  28. Donaldson, R. G., ve Kamstra, M. (1997). An artificial neural network-GARCH model for international stock return volatility. Journal of Empirical Finance, 4(1), 17-46.
  29. Elton, E. J., ve Gruber, M. J. (1997). Modern portfolio theory, 1950 to date. Journal of Banking ve Finance, 21(11), 1743-1759.
  30. Eraslan, V. (2013). Fama and French three-factor model: Evidence from Istanbul stock exchange. Business and Economics Research Journal, 4(2), 11.
  31. Erdoğan, E., ve Özyürek, H. (2012). Yapay Sinir Ağlari İle Fiyat Tahminlemesi. Sosyal ve Beşeri Bilimler Dergisi, 4(1), 85-92.
  32. Faff, R. (2001). An examination of the Fama and French three-factor model using commercially available factors. Australian Journal of Management, 26(1), 1-17.
  33. Fama, E. F., ve French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3-56.
  34. Fama, E. F., ve French, K. R. (2004). The Capital asset pricing model: theory and evidence. Journal of Economic Perspectives, 18(3), 25-46.
  35. Fama, E. F., ve French, K. R. (2015). A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1-22.
  36. Fırat, M., ve Güngör, M. (2004). Askı madde konsantrasyonu ve miktarının yapay sinir ağları ile belirlenmesi. Teknik Dergi, 15(73).
  37. Griliches, Z. (1967). Distributed lags: A survey. Econometrica: Journal of the Econometric Society, 16-49. Gujarati, D. N. (2022). Basic Econometrics. Prentice Hall.
  38. Gupta, R., ve Modise, M. P. (2013). Does the source of oil price shocks matter for South African stock returns? A structural VAR approach. Energy Economics, 40, 825-831.
  39. Güngör, B., ve Kaygin, C. Y. (2015). Dinamik panel veri analizi ile hisse senedi fiyatini etkileyen faktörlerin belirlenmesi. Kafkas University. Faculty of Economics and Administrative Sciences. Journal, 6(9), 149.
  40. İlarslan, K. (2014). Hisse senedi fiyat hareketlerinin tahmin edilmesinde Markov zincirlerinin kullanılması: İMKB 10 bankacılık endeksi işletmeleri üzerine ampirik bir çalışma. Yaşar Üniversitesi E-Dergisi, 9(35), 6158-6198.
  41. İlkçar, M. (2023). İşlem hacmi ve mevsimsel değerler dikkate alınarak derin yapay sinir ağı ile türk hava yolları BIST hisse fiyatı tahmini. International Journal of InformaticsTechnologies, 16(1).
  42. Kara, Y., Boyacioglu, M. A., ve Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38(5), 5311-5319.
  43. Karaca, Y. D. D. S. S., ve Başcı, Y. D. D. E. S. (2011). Hisse senedi performansini etkileyen rasyolar ve İMKB 30 endeksinde 2001-2009 dönemi panel veri analizi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(3), 337-347.
  44. Karathanassis, G., ve Philippas, N. (1988). Estimation of bank stock price parameters and the variance components model. Applied Economics, 20(4), 497-507.
  45. Khare, K., Darekar, O., Gupta, P., ve Attar, V. Z. (2017, May). Short term stock price prediction using deep learning. In 2017 2nd IEEE international conference on recent trends in electronics, information & communication technology (RTEICT) (pp. 482-486). IEEE.
  46. Koyuncu, T., ve Aslan, A. (2017). Etkin piyasa hipotezi ve gelişmiş borsalar üzerine bir uygulama: panel veri analizi. Kapadokya Akademik Bakış, 1(1), 17-30.
  47. Kurani, A., Doshi, P., Vakharia, A., ve Shah, M. (2023). A comprehensive comparative study of artificial neural network (ANN) and support vector machines (SVM) on stock forecasting. Annals of Data Science, 10(1), 183-208.
  48. Li, K., ve Duan, Y. (2021, April). Research on the application of Fama and French three-factor and five-factor models in American industry. In Journal of Physics: Conference Series (Vol. 1865, No. 4, p. 042105). IOP Publishing.
  49. Loo, W. K. (2020). Predictability of HK-REITs returns using artificial neural network. Journal of Property Investment & Finance, 38(4), 291-307.
  50. Lu, W., Li, J., Wang, J., ve Qin, L. (2021). A CNN-BiLSTM-AM method for stock price prediction. Neural Computing and Applications, 33(10), 4741-4753.
  51. Mayatopani, H. (2021). Implementation of ANN and GARCH for stock price forecasting. Journal of Applied Data Sciences, 2(4), 109-134.
  52. Mosoeu, S., ve Kodongo, O. (2022). The Fama-French five-factor model and emerging market equity returns. The Quarterly Review of Economics and Finance, 85, 55-76.
  53. Nargelecekenlera, M. (2011). Hisse senedi fiyatları ve fiyat/kazanç oranı ilişkisi: panel verilerle sektörel bir analiz. Business and Economics Research Journal, 2(2), 165-184.
  54. Nerlove, M. (1958). Distributed Lags and Demand Analysis for Agricultural and Other Commodities (No. 141). US Government Printing Office.
  55. Ogiugo, H. U., Adesuyi, I. O., ve Ogbeide, S. O. (2020). Empirical test of capital asset pricing model on securities return of listed firms in Nigeria. Insights into Regional Development, 2(4), 825-836.
  56. Öndeş, T., ve Levet, M. (2020). Makroekonomik faktörlerin hisse senedi getirileri üzerindeki etkisi: BIST’de yer alan bankalar üzerine bir uygulama. Muhasebe ve Finansman Dergisi, (88), 155-174.
  57. Özaydın, O. (2024). Türkiye’nin seçilmiş makro finans değişkenleri üzerine nedensellik analizi: Yapay sinir ağları ve doğrusal nedensellik yöntemleri. Optimum Ekonomi ve Yönetim Bilimleri Dergisi, 11(2), 349-365.
  58. Özçalıcı, M. (2016). Yapay sinir ağları ile çok aşamalı fiyat tahmini: BIST30 senetleri üzerine bir araştırma. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 31(2), 209-227.
  59. Özçalıcı, M. (2017). Aşiri öğrenme makineleri ile hisse senedi fiyat tahmini. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 35(1), 67-88.
  60. Perold, A. F. (2004). The Capital asset pricing model. Journal of Economic Perspectives, 18(3), 3-24.
  61. Qiu, M., Song, Y., ve Akagi, F. (2016). Application of artificial neural network for the prediction of stock market returns: The case of the Japanese stock market. Chaos, Solitons & Fractals, 85, 1-7.
  62. Sattar, M. (2017). CAPM vs. Fama-French Three-Factor Model: An evaluation of effectiveness in explaining excess return in Dhaka stock exchange. International Journal of Business and Management, 12(5), 119.
  63. Shaik, M., ve Sejpal, A. (2020). The comparison of GARCH and ANN model for forecasting volatility: Evidence based on Indian stock markets: Predicting volatility using GARCH and ANN models. The Journal of Prediction Markets, 14(2), 103-121.
  64. Sharpe, W. F. (1964). Capital Asset Prices: A theory of market equilibrium under conditions of risk. The Journal of Finance, 19(3), 425-442.
  65. Şahin, C. (2023). Garch ve yapay sinir ağları modelleri yardımıyla volatilite tahmini: Türk borsası örneği. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(2), 572-595.
  66. Şenol, Z., Koç, S., ve Şenol, S. (2018). Hisse senetleri fiyatlarini etkileyen faktörlerin dinamik panel veri analiziyle incelenmesi. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 9(25), 119-135.
  67. Toparlı, E. A., Çatık, A. N., ve Balcılar, M. (2019). The impact of oil prices on the stock returns in Turkey: A TVP-VAR approach. Physica A: Statistical Mechanics and its Applications, 535, 122392.
  68. Ünlü, Ö. G. U., Yıldız, B., ve Yalama, A. (2009). İlk halka arzlarda uzun dönem getirilerinin tahmini: yapay sinir ağlari ile İMKB için ampirik bir çalişma. Istanbul University Econometrics and Statistics e-Journal, (10), 29-47.
  69. Vijh, M., Chandola, D., Tikkiwal, V. A., ve Kumar, A. (2020). Stock closing price prediction using machine learning techniques. Procedia Computer Science, 167, 599-606.
  70. Waheed, R., Wei, C., Sarwar, S., ve Lv, Y. (2018). Impact of oil prices on firm Stock return: Industry-wise analysis. Empirical Economics, 55, 765-780.
  71. Wang, L., Zou, H., Su, J., Li, L., ve Chaudhry, S. (2013). An ARIMA‐ANN hybrid model for time series forecasting. Systems Research and Behavioral Science, 30(3), 244-259.
  72. Yakut, Y. B. E. T. Y., Yakut, E., ve Yavuz, S. (2014). Yapay sinir ağlari ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157.
  73. Yu, L., Wang, S., ve Lai, K. K. (2007). Foreign-exchange-rate forecasting with artificial neural networks (Vol. 107). Springer Science & Business Media.
  74. Yüksel, R.,ve Akkoç, S. (2016). Altın fiyatlarinin yapay sinir ağlari ile tahmini ve bir uygulama. Doğuş Üniversitesi Dergisi, 17(1), 39-50.
  75. Zeren, F., Kara H. ve Arı A. (2013). Piyasa etkinliği hipotezi: IMKB için ampirik bir analiz. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (36).
  76. Zupan, J. (1994). Introduction to artificial neural network (ANN) methods: What they are and how to use them. Acta Chimica Slovenica, 41, 327-327.