SavedAdd your journal

Journals / İnsan ve Toplum Bilimleri Araştırmaları Dergisi / 2020 / Cilt: 9 - Sayı: 2

Predicting Stock-Exchange Indexes by Using Support Vector Machines

Destek Vektör Makineleri ile Borsa Endekslerinin Tahmini

Cem KARTAL
Pages
1394–1418
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)

As a result of the study, it is found that the model shows success in upward forecasts, but it does not show the same success in downward forecasts.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Support Vector Machines (SVM) is one of the most popular machine learning algorithms.
📊
Key Findings & Data:In this study, it is aimed to use SVM, which is one of the leading stock indices of the world together with BIST100 index and a machine learning technique in the classification of return directions of S&P 500, DAX and NIKKEI 225 indices.
💡
Conclusion & Impact:As a result of the study, it is found that the model shows success in upward forecasts, but it does not show the same success in downward forecasts.
🔬Design:Modeling & Simulation
📍Scope:2013 Verileri
⚙️Variables:Makine Öğrenmesi · Sınıflandırma · Destek Vektör Makineleri

Abstract

Support Vector Machines (SVM) is one of the most popular machine learning algorithms. In this study, it is aimed to use SVM, which is one of the leading stock indices of the world together with BIST100 index and a machine learning technique in the classification of return directions of S&P 500, DAX and NIKKEI 225 indices. Besides, it is aimed to reveal the estimation (classification) performances of these techniques. For this purpose, SVMs have been used to model the “upward” and “downward” trends of stock market indices. In addition, the effects of macroeconomic variables on stock market indices are analysed. The data set of the study includes 82 observational values of dependent and independent variables monthly between 01.01.2013- 30.11.2019. 70 (85%) of these observation values are used for modelling (training) and 12 (15%) for classification (test). As a result of the study, it is found that the model shows success in upward forecasts, but it does not show the same success in downward forecasts.

Özet

Destek Vektör Makineleri (DVM) en popüler makine öğrenme algoritmalarından birisidir. Bu çalışmada BIST100 endeksi ile birlikte dünyanın önde gelen borsa endekslerinden S&P 500, DAX ve NIKKEI 225 endekslerinin getiri yönlerinin sınıflandırılmasında bir makine öğrenme tekniği olan DVM’lerin kullanılması ve bu tekniklerin tahmin (sınıflandırma) performanslarının ortaya konulması amaçlanmıştır. Bu amaçla DVM’ler, borsa endekslerinin “yükseliş” ve “düşüş” trendlerinin modellenmesinde kullanılmıştır. Ayrıca çalışmada, makroekonomik değişkenlerin borsa endekslerine olan etkileri analiz edilmiştir. Çalışmanın veri seti, bağımlı ve bağımsız değişkenlerin 01.01.2013 – 30.11.2019 dönemleri arasındaki aylık olarak 82 adet gözlem değerini içermektedir. Bu gözlem değerlerinin 70 adedi (%85’i) algoritmanın modellenmesi (eğitim) için, 12 adedi (%15’i) ise sınıflandırma (test) için kullanılmıştır. Çalışma sonucunda modelin yükseliş yönlü tahminlerde sınıflandırma başarısının iyi olduğu, ancak düşüş yönlü tahminlerinde aynı başarıyı göstermediği ortaya çıkmıştır.

🔖

Cite This Article

KARTAL, C. (2020). Predicting Stock-Exchange Indexes by Using Support Vector Machines. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, Cilt: 9 - Sayı: 2, 1394–1418. https://ajindex.com/articles/269605

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Ahn, J. J., Oh, K. J., Kim, T. Y., & Kim, D. H. (2011). Usefulness of Support Vector Machine to Develop An Early Warning System for Financial Crisis. Expert Systems with Applications, 38(4), 2966-2973.
  2. Altınırmak, S., & Karamaşa, Ç. (2016). Bankaların Finansal Başarısızlıklarının İncelenmesinde Makine Öğrenme Tekniklerinin Karşılaştırılması. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 19(36), 291-304.
  3. Apaydın, E. (2014). Introduction to Machine Learning. Third Edition,
  4. The MIT Press Cambridge, Massachusetts London, England. Ayhan, S., & Erdoğmuş, Ş. (2014). Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
  5. Bayramoğlu, A.T., & Başarır, Ç. (2019). Blockchain Economics and Financial Market Innovation Financial Innovations in the Digital Age: The Linkage Between Cryptocurrencies and Macro-Financial Parameters: A Data Mining Approach. Springer Nature Switzerland, 249-269.
  6. Basarir, C., & Bayramoglu, M. F. (2018). Global Approaches in Financial Economics, Banking, and Finance: Global Macroeconomic Determinants of the Domestic Commodity Derivatives. Springer, Cham, 331-349.
  7. Burbidge, R., Trotter, M., Buxton, B., & Holden, S. (2001). Drug Design by Machines Learning: Support Vector Machines for Pharmaceutical Data Analysis. Computer and Chemistry 26, 5–14.
  8. Cao, L. J. (2003). Support Vector Machines Experts for Time Series Forecasting. Neurocomputing, 51, 321–339. https://www.investing.com, (Erişim Tarihi: 15.12.2019).
  9. Hua, Z., Wang, Y., Xu, X., Zhang, B., & Liang, L. (2007). Predicting Corporate Financial Distress Based on Integration of Support Vector Machine and Logistic Regression. Expert Systems with Applications, 33(2), 434-440.
  10. Huang, W., Nakamori, Y., & Wang, S. Y. (2005). Forecasting Stock Market Movement Direction with Support Vector Machine. Computersand Operations Research, 32(10), 2513-2522.
  11. Jordan, M., Kleinberg, J., & Scholkopf, B. (2008). Support Vector Machines. Information Science and Statistics. New York: Springer. Karagül, K. (2014). İstanbul Menkul Kıymetler Borsası'nda İşlem Gören Firmaların Destek Vektör Makineleri Kullanılarak Sınıflandırılması. Pamukkale University Journal of Engineering Sciences. 20(6), 174-178.
  12. Kim, K. J. (2003). Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 55(1-2), 307-319.
  13. Lin, C. F., & Wang, S. D. (2002). Fuzzy Support Vector Machines. IEEE T