SavedAdd your journal

Journals / International Journal of Social Inquiry / 2026 / Cilt: 17 Sayı: 1

Association Rule Analysis of Borsa Istanbul Indices With Dollar, Euro, Gold, and Brent Oil Variables

Borsa İstanbul Endekslerinin Dolar, Euro, Altın ve Brent Petrol Değişkenleriyle Birliktelik Analizi

Zehra Berna Aydın(BURSA ULUDAĞ ÜNİVERSİTESİ, İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ, EKONOMETRİ BÖLÜMÜ, İSTATİSTİK ANABİLİM DALI)0000-0003-1313-7543
Edanur Gündoğdu0009-0005-5390-901X
Pages
105–118
Publication Date
2024-04-30
🏛️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)

We also observed that all of the following groups show statistically significant association at the 0.97 confidence level: USD, EUR, BIST30, BIST100; USD, GOLD, BIST30, BIST100; EUR, BIST30, BIST100; and USD, BIST30, BIST100.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In today’s competitive conditions, it has become important for investors to make accurate predictions from data.
📊
Key Findings & Data:The data set used in this study consists of 1.423 trading days published between January 2, 2018 and June 27, 2023.
💡
Conclusion & Impact:We also observed that all of the following groups show statistically significant association at the 0.97 confidence level: USD, EUR, BIST30, BIST100; USD, GOLD, BIST30, BIST100; EUR, BIST30, BIST100; and USD, BIST30, BIST100.
🔬Design:Modeling & Simulation
📍Scope:2018 Verileri
⚙️Variables:Borsa · Menkul Kıymet Borsaları · Veri Madenciliği

Abstract

In today’s competitive conditions, it has become important for investors to make accurate predictions from data. The diversity of data because of developments in information and technology has led to the need for modern statistical techniques. With these techniques, identifying and estimating unknown hidden relationships in the data is increasing day by day. Data mining is used in many fields, as well as in the field of finance. The data set used in this study consists of 1.423 trading days published between January 2, 2018 and June 27, 2023. The Fp Growth Algorithm was used to determine the co-change between the BIST30 Index, BIST100 Index, Dollar Rate, Euro Rate, Gold, and Brent Oil variables published in the daily bulletins, through association rule analysis, which is a descriptive model in data mining. After conducting the association analysis, a total of 20 association rules were generated, and the top 10 association rules were selected. The study observed a significant association at a confidence criterion of 0.99 among OIL, GOLD, BIST30, and BIST100 variables and 0.98 among OIL, EURO, BIST30, and BIST100 variables. We also observed that all of the following groups show statistically significant association at the 0.97 confidence level: USD, EUR, BIST30, BIST100; USD, GOLD, BIST30, BIST100; EUR, BIST30, BIST100; and USD, BIST30, BIST100.

Özet

Günümüz rekabet şartlarında verilerden doğru tahminler yapmak yatırımcılar için önemli hale gelmiştir. Bilgi ve teknolojideki gelişmelerle verinin çeşitlilik göstermesi modern istatistik tekniklere ihtiyaç duyulmasına neden olmuştur. Bu tekniklerle veri içerisinde bilinmeyen gizli ilişkileri belirleme ve tahmin her geçen gün arttırmaktadır. Veri madenciliği pek çok alanda uygulandığı gibi finans alanında da kullanılmaktadır. Bu çalışmada kullanılan veri seti 02.01.2018-27.06.2023 dönemleri arasında yayınlanan 1423 işlem gününden oluşmaktadır. Veri madenciliği tanımlayıcı modellerinden birliktelik kuralı analizi Fp Growth Algoritması ile günlük bültenlerde yayınlanan BİST30 Endeksi, BİST100 Endeksi, Dolar Kuru, Euro Kuru, Altın ve Brent Petrol değişkenleri arasındaki birlikte değişimi tespit edilmeye çalışılmıştır. Birliktelik analizi sonucunda 20 birliktelik kuralı üretilmiş olup en iyi 10 birliktelik kuralı elde edilmiştir. 0,99 güven ölçütünde PETROL, ALTIN, BİST30, BİST100 değişkenleri, 0,98 güven ölçütünde PETROL, EURO, BİST30, BİST100 değişkenleri, 0,97 güven ölçütünde ise USD, EUR, BİST30, BİST100 ve USD, ALTIN, BİST30, BİST100 ayrıca EUR, BİST30, BİST100 ve USD, BİST30, BİST100 arasında belirgin birliktelik görülmüştür.

🔖

Cite This Article

Aydın, Z. B., Gündoğdu, E. (2024). Association Rule Analysis of Borsa Istanbul Indices With Dollar, Euro, Gold, and Brent Oil Variables. International Journal of Social Inquiry, Cilt: 17 Sayı: 1, 105–118. https://doi.org/10.37093/ijsi.1339748

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (28)

  1. Aktürk, H., & Korukoğlu, S. (2008). Veri madenciliği teknolojisini kullanarak fiyat değişimlerinde paralellik gösteren hisse senetlerinin bulunması ve risk azaltılması. Içinde M. Akgül, E. Derman, U. Çağlayan, N. Yücel, A. Özgit (Ed.), Akademik Bilişim’08 Bildiriler 30 Ocak – 1 Şubat 2008 (ss. 113−119). İnternet Teknolojileri Derneği.
  2. Altunkaynak, B. (2017). Veri madenciliği yöntemleri ve R uygulamaları. Seçkin Yayıncılık.
  3. Arafah, A. A., & Mukhlash, I. (2015). The application of Fuzzy Association Rule on co-movement analyze of Indonesian Stock Price. Procedia Computer Science, 59, 235−243. https://doi.org/10.1016/j.procs.2015.07.541
  4. Argiddi, R. V., & Apte, S. S. (2012). Future trend prediction of Indian IT Stock Market using association rule mining of transaction data. International Journal of Computer Applications, 39(10), 30−34. https://doi.org/10.5120/4858-7132
  5. Aydın, S. (2007). Veri madenciliği ve Anadolu Üniversitesi uzaktan eğitim sisteminde bir uygulama (Yayın No. 220873) [Doktora tezi, Anadolu Üniversitesi Sosyal Bilimler Enstitüsü]. Yükseköğretim Kurulu Başkanlığı Tez Merkezi.
  6. Baykal, A. (2006). Veri madenciliği uygulama alanları. Dicle Üniversitesi Ziya Gökalp Eğitim Fakültesi Dergisi, (7), 95−107. https://dergipark.org.tr/tr/pub/zgefd/issue/47963/606848
  7. Bozkurt Uzan, Ş., & Özüçağlıyan, M. Ö. (2021). Turizm sektöründe veri madenciliği. Türk Turizim Araştımaları Dergisi, 4(4), 3465−3485. https://www.tutad.org/index.php/tutad/article/view/368
  8. Gemici, B. (2012). Veri madenciliği ve bir uygulaması (Yayın No. 351031) [Yüksek lisans tezi, Dokuz Eylül Üniversitesi]. Yükseköğretim Kurulu Başkanlığı Tez Merkezi.
  9. Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and techniques. Elsevier.
  10. Islamiyah, Ginting, P. L., Dengen, N., & Taruk, M. (2019). Comparison of Priori and FP-Growth Algorithms in Determining Association Rules. In 2019 International Conference on Electrical, Electronics and Information Engineering (ICEEIE), (pp. 320−323). Denpasar, Indonesia. https://doi.org/10.1109/ICEEIE47180.2019.8981438
  11. İnce, A. R., & Alan, M. A. (2022). A study on the use of data mining in the planning of investment field. Journal of Research in Economics, Politics & Finance, 7(1), 1−15. https://doi.org/10.30784/epfad.1003459
  12. Jalpa, P., & Rustom, M. (2017). A novel hybrid method for generating association rules for stock market data. International Journal of Latest Technolgy in Engineering, Management & Applied Science: 3rd Special Issue on Engineering and Technology, 6(7), 6−15. https://www.ijltemas.in/DigitalLibrary/Vol.6Issue7S/06-15.pdf
  13. Karaatlı, M., Kocabıyık, T., Yalçıner Çal, D., & Çolak, M. (2021). BIST-30 Endeksinde yer alan payların ortak hareketlerinin veri madenciliği kapsamında birliktelik kuralı ile incelenmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(25), 548−571. https://doi.org/10.14784/marufacd.976609
  14. Kocabıyık, T., Dağ, O., & Karaatlı, M. (2021). Borsa İstanbul endekslerinin birlikte hareketi: FP Growth Algoritması İle bir uygulama. Uluslararası İşletme, Ekonomi ve Yönetim Perspektifleri Dergisi (IJBEMP), 5(2), 659−672. http://dx.doi.org/10.29228/ijbemp.52518
  15. Koyuncugil, A. S., & Özgülbaş, N. (2008). İMKB’de işlem gören KOBİ'lerin güçlü ve zayıf yönleri: Chaid Karar Ağacı uygulaması. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(1), 1−21. https://dergipark.org.tr/tr/pub/deuiibfd/issue/22743/242745
  16. Köse, İ. (2018). Veri madenciliği teori uygulama ve felsefesi. Papatya Yayıncılık Eğitim A.Ş.
  17. Liao, S.-H., & Chou, S.-Y. (2013). Data mining investigation of co-movements on the Taiwan and China stock markets for future investment portfolio. Expert Systems with Applications, 40(5), 1542−1554. https://doi.org/10.1016/j.eswa.2012.08.075
  18. Na, S. H., & Sohn, S. Y. (2011). Forecasting changes in Korea Composite Stock Price Index (KOSPI) using association rules. Expert Systems with Applications, 38(7), 9046–9049. https://doi.org/10.1016/j.eswa.2011.01.025
  19. Özbay, Ö. (2015). Veri madenciliği kavramı ve eğitimde veri madenciliği uygulamaları. Uluslararası Eğitim Bilimleri Dergisi, 2(5), 262−272. https://dergipark.org.tr/tr/pub/inesj/issue/40015/475764
  20. Özkan, M., & Boran, L. (2014). Veri madenciliğinin finansal kararlarda kullanımı. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(1), 59−82. https://dergipark.org.tr/tr/pub/ckuiibfd/issue/32902/365502
  21. Özkan, Y. (2020). Veri madenciliği yöntemleri (Güncellenmiş ve Genişletilmiş, 4. bs.). Papatya Bilim Üniversite Yayıncılığı.
  22. Polat, E. D. (2022). Beyaz eşya sektöründe satış tahmini: Bir veri madenciliği uygulaması [Yüksek lisans tezi, Bursa Uludağ Üniversitesi]. Bursa Uludağ Üniversitesi Açık Erişim Sistemi. http://hdl.handle.net/11452/26450
  23. Silahtaroğlu, G. (2016). Veri madenciliği kavram ve algoritmaları. Papatya Yayıncılık Eğitim.
  24. Şentürk, A. (2006). Veri madenciliği kavram ve teknikler. Ekin Yayınevi.
  25. Ting, J., Fu, T.-c., & Chung, F.-l. (2006). Mining of Stock Data: Intra – and Inter-Stock Pattern Associative Classification. In Proceedings of the 2006 International Conference on Data Mining DMIN 2006 (pp. 29−36). Las Vegas, Nevada, USA.
  26. Ünsal, Ö. (2020). Veri madenciliği teknikleri ile hisse senetleri arasındaki fiyat etkileşimlerinin belirlenmesi. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5) 106−112. https://doi.org/10.21923/jesd.834105
  27. Witten, I. H., Frank, E., & Hall, M. A. (2011). Data mining: Practical machine learning tools and techniques (3rd edition). Morgan Kaufmann.
  28. Wu, B., Zhang, D., Lan, Q., & Zheng, J. (2008). An efficient frequent patterns mining algorithm based on apriori algorithm and the FP-tree structure. In Third 2008 International Conference on Convergence and Hybrid Information Technology (pp. 1099−1102). Busan, Korea (South), Institute of Electrical and Electronics Engineers.