SavedAdd your journal

Journals / Türkiye Mesleki ve Sosyal Bilimler Dergisi / 2025 / Cilt: 7 Sayı: 20

ANALYSIS OF THE COLLECTIVE MOVEMENTS OF THE STOCK MARKET INDICES OF BRICS-T COUNTRIES USING DATA MINING

BRICS-T ÜLKELERİNİN BORSA ENDEKSLERİNİN BİRLİKTE HAREKETLERİNİN VERİ MADENCİLİĞİ İLE İNCELENMESİ

Okan Dağ(Büyükkutlu Uygulamalı Bilimler Fakültesi)0000-0001-9756-722X
Zühal Arslan(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ, BÜYÜKKUTLU UYGULAMALI BİLİMLER FAKÜLTESİ)0000-0002-4757-1260
Pages
88–98
Publication Date
2025-12-31
🏛️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)

Based on these findings, it is expected that the results will assist policymakers in setting strategic goals and institutional and individual investors in portfolio diversification and optimal investment decisions.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Today, international and domestic investors are turning to the stocks of developing countries in order to make optimal investment decisions and diversify their portfolios, and this development has led them to closely follow the indices of these countries.
📊
Key Findings & Data:The analyses revealed a strong and statistically significant co-directional movement structure among the indices of the BRICS-T countries and that the JALSH index occupies a central position among the BRICS-T indices in most of the rules.
💡
Conclusion & Impact:Based on these findings, it is expected that the results will assist policymakers in setting strategic goals and institutional and individual investors in portfolio diversification and optimal investment decisions.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:BRICS-T · Borsa Endeksleri · Veri Madenciliği

Abstract

Today, international and domestic investors are turning to the stocks of developing countries in order to make optimal investment decisions and diversify their portfolios, and this development has led them to closely follow the indices of these countries. In this context, the joint movement of the stock market indices of the BRICS countries, which are Turkey's trading partners and seen as close economic competitors, was examined using the association rule method, one of the data mining methods. The analyses revealed a strong and statistically significant co-directional movement structure among the indices of the BRICS-T countries and that the JALSH index occupies a central position among the BRICS-T indices in most of the rules. Based on these findings, it is expected that the results will assist policymakers in setting strategic goals and institutional and individual investors in portfolio diversification and optimal investment decisions.

Özet

Günümüzde uluslararası ve ulusal yatırımcılar optimal yatırım kararı almak ve portföy çeşitlendirmesi yapmak amacıyla gelişmekte olan ülkelerin hisse senetlerine yönelmekte ve bu gelişim bu ülkelerin endekslerini yakından takip etmelerine neden olmaktadır. Bu kapsamda Türkiye’nin ticaret ortaklarında olan ve ekonomik olarak yakın rakip görülen BRICS ülkelerinin borsa endekslerinin birlikte hareketi veri madenciliği yöntemlerinden olan birliktelik kuralı yöntemiyle incelenmiştir. Yapılan analizler sonucunda BRICS-T ülkelerinin endeksleri arasında güçlü ve istatistiksel olarak anlamlı bir eş-yönlü hareket yapısının olduğu ve JALSH endeksinin kuralların büyük bir bölümünde BRICS-T endeksleri arasında merkezî bir konumda bulunduğu tespit edilmiştir. Bu sonuçlara istinaden çıkan bulguların politika yapıcılara stratejik hedef belirlemede, kurumsal ve bireysel yatırımcılara ise portföy çeşitlendirmesi ve optimal yatırım kararlarında yardımcı olması beklenmektedir.

🔖

Cite This Article

Dağ, O., Arslan, Z. (2025). ANALYSIS OF THE COLLECTIVE MOVEMENTS OF THE STOCK MARKET INDICES OF BRICS-T COUNTRIES USING DATA MINING. Türkiye Mesleki ve Sosyal Bilimler Dergisi, Cilt: 7 Sayı: 20, 88–98. https://doi.org/10.46236/jovosst.1835899

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (49)

  1. Abazeed, A., Mamat, A., Sulaiman, M. N., & Ibrahim, H. (2009). Scalable approach for mining association rules from structured XML data.
  2. Agrawal, R., Imielinski, T. ve Swami, A. (1993). Mining Association Rules Between Sets of Items in Large Databases. in: Proceedings of the 1993. Association for Computing Machinery (ACM) SIGMOD, 207-216.
  3. Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB) (p. 13). Chile.
  4. Akkuş, H.T., ve Gülcan, N. (2019). Türkiye’de Farklı Kesimler İçin Oluşturulan Güven Endeksleri Arasindaki Uyum ve Etkileşimin İncelenmesi. Muhasebe ve Finans İncelemeleri Dergisi, 2 (1), 11-19.
  5. Alamgir, M., ve Cheng, M-C. (2023). Co-Movement and Performance Comparison of Conventional and Islamic Stock Indices during the Pre- and Post-COVID-19 Pandemic Era. Risks. 11(146), 1-37.
  6. Al-Najjar, D. (2022). The Co-Movement between International and Emerging Stock Markets Using ANN and Stepwise Models: Evidence from Selected Indices. Hindawi Complexity. 7103553, 1-14.
  7. Altınbaş, H. (2022). COVID-19’un Küresel Hisse Senedi Piyasalarının Hareketleri Üzerindeki Etkisi ve Türkiye Piyasası Üzerine Bir İnceleme. Yıldız Social Science Review, 8(1), 41-51.
  8. Amewu, G., Junior, P.O., ve Amenyitor, E.A. (2022). Co-Movement Between Equity İndex and Exchange Rate: Fresh Evidence From COVID-19 Era. Scientific African. 16. 1-17.
  9. Cabena, P. (1998). Discovering data mining: From concept to implementation. Prentice Hall.
  10. Chang, L.Y. ve Wang, H.Y. (2006). Analysis of Traffic İnjury Severity: An Application of Non-Parametric Classification Tree Techniques. Accident Analysis and Prevention, 38, 1019–1027.
  11. Coşkun, A. E. (2022). BRICS-T Ekonomilerinin Makroekonomik Performanslarının Değerlendirilmesi: Entropi Tabanlı WASPAS yaklaşımı. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 21(45), 1320-1340.
  12. Eren, B.S. (2024). Emtia Piyasalarının Birlikte Hareketlerinin Veri Madenciliği İle İncelenmesi. Ekonomi, Politika & Finans Araştırmaları Dergisi, 9(1), 183-212.
  13. Demirel, A.C., ve Hazar, A. (2021). Borsa Endekslerinin Birbirleriyle Etkileşimi ve Endeks Yönünün Tahmini: BİST100 Üzerine Bir Uygulama. Journal of Economics and Financial Researches, 3(1), 1-8.
  14. Dursun, A., & Özcan, M. (2019). Enerji Fiyat Değişimleri ile Borsa Endeksleri Arasındaki İlişki: OECD Ülkeleri Üzerine Bir Uygulama. Muhasebe ve Finansman Dergisi. 82, 177-198.
  15. Güneş,H. (2024). Borsa Endeksleri Arasında Uzun Dönemli İlişkinin Tespiti. Uluslararası Bankacılık, Ekonomi ve Yönetim Araştırmalar Dergisi, 6(2), 1-25.
  16. Győrödi, C., Győrödi, R., & Holban, S. (2004). A comparative study of association rules mining algorithms. In SACI 2004: 1st Romanian–Hungarian Joint Symposium on Applied Computational Intelligence (Unpublished).
  17. Han, J., & Kamber, M. (2012). Data mining: Concepts and techniques (3rd ed.). Elsevier.
  18. Han, J., Pei, J., Yin, Y., & Mao, R. (2004). Mining frequent patterns without candidate generation: A frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8(1), 53–87.
  19. Huang, W., Wang, H., Wei, Y., ve Chevallier, J. (2024). Complex Network Analysis of Global Stock Market Co-Movement During The COVID-19 Pandemic Based On İntraday Open-High-Low-Close Data. Financial Innovation, 10(7), 1-50.
  20. Islamıyah, I., 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). IEEE.
  21. İltaş, Y., Güzel, F. (2019) Borsa İstanbul ile Türkiye’nin Yüksek Dış Ticaret Hacmine Sahip Ülke Borsalarının Entegrasyonu: Rejim Kaymalı Eşbütünleşme Analizinden Bulgular, İşletme Araştırmaları Dergisi, 11 (4), 3051-306.
  22. Kartal, B., Sert, M.F., & Kutlu, M. (2022). Determination of The World Stock İndices’ Co-Movements by Association Rule Mining. Journal of Economics, Finance and Administrative Science, 27(54), 231-246.
  23. Kocabıyık, T., Dağ, O., ve 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.
  24. Kocabıyık, T., & Teker, T. (2018). Borsa İstanbul Endekslerinin Birbiriyle Bağının Keşfi. Journal of Lıfe Economıcs. 5(4), 192-202.
  25. Kiraz, A., & Deliismail, İ. (2018). İnternetten yapılan alışverişlerin veri madenciliği teknikleri ile analizi ve depo süreçlerinin iyileştirilmesi. Bayburt Üniversitesi Fen Bilimleri Dergisi, 1(1), 28–41.
  26. Liao, C. W. ve Perng, Y. H. (2007). Data Mining for Occupational Injuries in the Taiwan Construction Industry. Safety Science, 46, 1091-1102.
  27. Liao, S.-H., Ho, H.-H., & Lin, H.-W. (2008). Mining stock category association and cluster on Taiwan stock market. Expert Systems with Applications, 35(1–2), 19–29.
  28. LSEG Workspace Data Stream (eski adlarıyla Refinitiv Datastream, Eikon). https://www.lseg.com/en/data-analytics/products/datastream-macroeconomic-analysis erişim tarihi 1 Kasım 2024.
  29. Marukatat, R. (2007). Structure-based Rule Selection Framework for Association Rule Mining of Traffic Accident Data. Computational Intelligence and Security Lecture Notes in Computer Science, LNAI, 4456, 231-239.
  30. Masih, M., & Majid, H.A. (2013). Comovement of Selected International Stock Market Indices: A Continuous Wavelet Transformation and Cross Wavelet Transformation Analysis. Munich Personal RePEc Archive, 1-18.
  31. Moodley, F. (2025). The Co-Movement of JSE Size-Based Indices: Evidence from a Time–Frequency Domain. Journal of Risk and Financial Management. 18(11), 1-21.
  32. Morazán, P., Knoke, I., Knoblauch, D., & Schäfer, T. (2012). The role of BRICS in the developing world. EPRS: European Parliamentary Research Service, Brussels. https://policycommons.net/artifacts/1334337/the-role-of-brics-in-the-developing world/1939760/
  33. Önem, H.B. (2021). VIX (Korku Endeksi) ile BİST Endeksleri Arasındaki Volatilite Etkileşiminin DCC GARCH Modeliyle Analizi. İşletme Araştırmaları Dergisi, 13 (3), 2084-2095.
  34. Pandey, A., & Pardasani, K. R. (2009). Rough set model for discovering hybrid association rules. International Journal of Computer Science and Network Security (IJCSNS), 9(6), 160.
  35. Silahtaroğlu, G. (2008). Kavram ve algoritmalarıyla veri madenciliği (1. baskı). Papatya Yayıncılık.
  36. Stevanius, S., & Sukamulja, S. (2020). Co-integration and Co-movement Between Asian Stock Price Index and Jakarta Composite Index. The Indonesian Capital Market Review. 12(1), 1-14.
  37. Şahin, S., ve Alaybeyoğlu, T. (2018). Gıda ve Enerji Fiyatları ile BİST Pay Endeksleri Arasındaki Nedensellik İlişkisi. İşletme Araştırmaları Dergisi. 10(1), 914-926.
  38. Şencan, İ. (2022). Mınt Ülkeleri Borsa Endekslerinin Entegrasyon Karşılaştırması. Beykoz Akademi Dergisi, 10(2), 155-167.
  39. Sivri, E. Ş. (2015). Veri madenciliği: E-ticaret için ürün tavsiye sisteminin geliştirilmesi (Yüksek lisans tezi). İstanbul Ticaret Üniversitesi.
  40. Topoğlu, E. (2020). A Study on Co-Movement Between Stock Market Indexes with Empirical Analysis. Karadeniz Ekonomi Araştırmaları Dergisi. 1(2), 97-112.
  41. Trabelsi, N., Gözgör, G., Tiwari, A.K., ve Hammoudeh, S. (2021). Effects of Price of Gold on Bombay Stock Exchange Sectoral Indices: New Evidence for Portfolio Risk Management. Research in International Business and Finance. 55, 1-24.
  42. Verma, R. (2024). Comovement of Stock Markets Pre- and Post-COVID-19 Pandemic: A Study Of Asian Markets. IIM Ranchi Journal of Management Studies. 3(1), 25-38.
  43. Vijayarani S, Dhayanand, S. (2015). Data Mining Classification Algorithms for Kidney Disease Prediction, International Journal on Cybernetics & Informatics, 4(4), 13-25.
  44. Vijayarani, S., & Sharmila, S. (2016). Comparative analysis of association rule mining algorithms. In 2016 International Conference on Inventive Computation Technologies (ICICT). IEEE.
  45. Xiao, H., Lin, D., ve Zhang, Z. (2025). Impact of COVID-19 Transmission Rate on Co-Movement Of China’s Stock Markets. Frontiers in Applied Mathematics and Statistics.11, 1-17.
  46. Yaşar, F., & Bolat, İ. (2023). Brıcs Ülkeleri ile Türkiye’nin Ekonomik Performansının Dış Ticaret Verileri Kapsamında Topsıs Yöntemi İle İncelenmesi. Erzincan Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 16(2), 181-194.
  47. Yüzbaşıoğlu, N. (2025). Gelişmekte Olan Ülke Borsaları Arasındaki Etkileşim: Türkiye, Rusya, Çin ve Hindistan Borsaları Üzerine Ampirik Bir Uygulama, İşletme Araştırmaları Dergisi, 17 (1), 795-817.
  48. Zhang, C. ve Zhang, S. (2002). Association Rule Mining: Models and Algorithms. Springer, New York.
  49. Zhao, Q. ve Bhowmick, S. S. (2003). Technical Report, CAIS, Nanyang Technological University, Singapore.