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
0
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, 0. https://ajindex.com/articles/20735

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Kutlu, B., Badur, B., “Yapay Sinir Ağları İle Borsa Endeksi Tahmini”, Yönetim, 63:25-40, (2009)
  2. İşeri, M., Çağlar, H., Çağlar N., “A model proposal for the chaotic structure of Istanbul stock exchange”, Chaos, Solitons and Fractals:1392–1398, 2008.
  3. Murphy, J.J, “Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications” New York Institute of Finance, 1999.
  4. Diler, A. İ., “İMKB Ulusal 100 Endeksinin Yönünün Yapay Sinir Ağları: Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi,:65–81, 2003.
  5. Yumlu, S., Gürgen, F., Okay, N., “A Comparison of Global,Recurrent and Smoothed-Piecewise Neural Models for Istanbul Stock Exchange Prediction”, Pattern Recognition Letters,:2903- 2103, 2004.
  6. Altay, E., Satman, M. H., “Stock Market Forecasting: Artificial Neural Networks and Linear Regression Comparison in an Emerging Market”, Journal of Financial Management and Analysis, (2):18-33, 2005.
  7. Karaatlı, M., Güngör, İ., Demir Y. Kalaycı, Ş., “Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi”, Balıkesir Üniversitesi İİBF Dergisi, 2(1), 22–48, 2005.
  8. Karaçor, Z., Alptekin, V. “Finansal Krizlerin Önceden Tahmin Yoluyla Değerlendirilmesi: Türkiye Örneği”, Yönetim ve Ekonomi, 13 (2), -256, 2006.
  9. Avcı, E., “Forecasting daily and sessional returns of the ISE-100 index with neural network models”, Journal of Dogus University, 8(2):128–142, 2007.
  10. Hamzaçebi, C., Bayramoğlu, M. F., “Yapay Sinir Ağları ile İMKB 100 Endeksinin Tahmini”, YAEM 27.Ulusal Kongresi, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü ve Yöneylem Araştırması Derneği, 2007.
  11. Yıldız, B., Yalama A., Coşkun M., “Forecasting the Istanbul Stock Exchange National 100 Index Using an Artificial Neural Network”, World Academy of Science, Engineering and Technology 46:36-39, 2008.
  12. Öğüt, H., Doğanay M., Aktaş,R., “Detecting stock-price manipulation in an emerging market: The case of Turkey”, Expert Systems with Applications 36:11944–11949, 2009.
  13. Quek, C. Predicting the impact of anticipator action on US stock market – An event study using ANFIS (a neural fuzzy model). Computational Intelligence, 23, 117–141, 2005.
  14. Trinkle, B. S., “Forecasting annual excess stock returns via an adaptive network-based fuzzy inference system”, Intelligent Systems in Accounting, Finance and Management, 13(3), –177, 2006.
  15. Atsalakis, G., Valavanis, K., “Forecasting stock market short-term trends using a neuro-fuzzy based methodology” E