SavedAdd your journal

Journals / Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2016 / Cilt: 38 - Sayı: 1

HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ

Mehmet Özçalıcı
Pages
279–293
Publication Date
2016-06-01
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)

Sonuçta daha yüksek risk ve daha düşük getiriye sahip senetlerin diğer gruptaki senetlerden ortalama olarak daha yüksek doğru oranı ile tahmin edildiği belirlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Literatürde bir gün sonraki hisse senedi fiyatını veya bir gün sonraki fiyat hareketini tahmin etmeye yönelik çalışmalar gerçekleştirilmektedir.
📊
Key Findings & Data:Çalışmada BIST50 Endeksinde listelenen 50 adet hisse senedinin Ocak 2010 ile Kasım 2015 tarihleri arasındaki fiyat ve hacim bilgilerini kullanmak suretiyle 196 adet teknik gösterge hesaplanmıştır.
💡
Conclusion & Impact:Sonuçta daha yüksek risk ve daha düşük getiriye sahip senetlerin diğer gruptaki senetlerden ortalama olarak daha yüksek doğru oranı ile tahmin edildiği belirlenmiştir.
🔬Design:Review & Systematic Survey
📍Scope:2010 · 50 adet
⚙️Variables:Genetik Algoritmalar · Aşırı Öğrenme Makineleri · k-ortalamalar yöntemi

Abstract

popüler bir konudur. Literatürde bir gün sonraki hisse senedi fiyatını veya bir gün sonraki fiyat hareketini tahmin etmeye yönelik çalışmalar gerçekleştirilmektedir. Bununla birlikte literatürde hangi özelliklere sahip hisse senetlerinin daha yüksek doğru performans ile tahmin edileceği yönünde bir çalışma mevcut değildir. Bu çalışmada yüksek doğrulukla tahmin edilen senetlerin özelliklerini belirlemek amacıyla kümeleme analizi kullanılmıştır. Çalışmada BIST50 Endeksinde listelenen 50 adet hisse senedinin Ocak 2010 ile Kasım 2015 tarihleri arasındaki fiyat ve hacim bilgilerini kullanmak suretiyle 196 adet teknik gösterge hesaplanmıştır. Çalışmada tahmin yöntemi olarak hisse sendi fiyat tahmininde yeni yeni kullanılmaya başlanan Aşırı Öğrenme Makineleri (AÖM) kullanılmıştır. Söz konusu yöntem Yapay Sinir Ağlarına göre oldukça hızlı sonuç vermektedir. AÖM yöntemi için parametre optimizasyonu ve değişken seçimi genetik algoritma ile gerçekleştirilmiştir. Her bir hisse senedi için fiyat tahmini gerçekleştirildikten sonra, elde edilen tahmin oranları, hisse senetlerinin risk ve getiri değerleri ile birlikte k-ortalamalar yöntemi ile kümelere ayrılmıştır. Sonuçta daha yüksek risk ve daha düşük getiriye sahip senetlerin diğer gruptaki senetlerden ortalama olarak daha yüksek doğru oranı ile tahmin edildiği belirlenmiştir.

Özet

popüler bir konudur. Literatürde bir gün sonraki hisse senedi fiyatını veya bir gün sonraki fiyat hareketini tahmin etmeye yönelik çalışmalar gerçekleştirilmektedir. Bununla birlikte literatürde hangi özelliklere sahip hisse senetlerinin daha yüksek doğru performans ile tahmin edileceği yönünde bir çalışma mevcut değildir. Bu çalışmada yüksek doğrulukla tahmin edilen senetlerin özelliklerini belirlemek amacıyla kümeleme analizi kullanılmıştır. Çalışmada BIST50 Endeksinde listelenen 50 adet hisse senedinin Ocak 2010 ile Kasım 2015 tarihleri arasındaki fiyat ve hacim bilgilerini kullanmak suretiyle 196 adet teknik gösterge hesaplanmıştır. Çalışmada tahmin yöntemi olarak hisse sendi fiyat tahmininde yeni yeni kullanılmaya başlanan Aşırı Öğrenme Makineleri (AÖM) kullanılmıştır. Söz konusu yöntem Yapay Sinir Ağlarına göre oldukça hızlı sonuç vermektedir. AÖM yöntemi için parametre optimizasyonu ve değişken seçimi genetik algoritma ile gerçekleştirilmiştir. Her bir hisse senedi için fiyat tahmini gerçekleştirildikten sonra, elde edilen tahmin oranları, hisse senetlerinin risk ve getiri değerleri ile birlikte k-ortalamalar yöntemi ile kümelere ayrılmıştır. Sonuçta daha yüksek risk ve daha düşük getiriye sahip senetlerin diğer gruptaki senetlerden ortalama olarak daha yüksek doğru oranı ile tahmin edildiği belirlenmiştir.

🔖

Cite This Article

Özçalıcı, M. (2016). HİSSE SENETLERİNİN DOĞRU TAHMİN ORANLARI İLE KÜMELENDİRİLMESİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 38 - Sayı: 1, 279–293. https://ajindex.com/articles/6436

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. ACHELIS, Steven, Technical Analysis from A to Z, McGraw Hill, 2001.
  2. ANISH, C.M. – Majhi, Babita, “Hybrid Nonlinear Adaptive Scheme for Stock Market Prediction Using Feedback FLANN and Factor Analysis”. Journal of the Korean Statistical Society, 45(1), 2016, s.64-76.
  3. ATSALAKIS, George S. – Valavanis, Kimon P., “Forecasting Stock Market Short-Term Trends Using A Neuro- Fuzzy Based Methodology”. Expert Systems with Applications, 36(7), 2009, s.10696-10707.
  4. AVCI, Emin, “Stock Return Forecasts with Artificial Neural Network Models”, Marmara Üniversitesi İİBF Dergisi, 26(1), 2009, s.443-461.
  5. BALLINGS, Michel, Van Den Poel, Dirk, Hespeels, Nathalie ve Gryp, Ruben, “Evaluating Multiple Classifiers for Stock Price Direction Prediction”, Expert Systems with Applications, 42(20), 2015, s.7046-7056.
  6. DASH, Rajashree, Dash, P.K. ve Bisoi Ranjeeta, “A Self Adaptive Differential Harmony Search Based Optimized Extreme Learning Machine for Financial Time Series Prediction”, Swarm and Evolutionary Computation, 19, 2014, s.25-42.
  7. GEN, Mitsuo – Cheng, Runwei, Genetic Algorithms and Engineering Optimization, John Wiley & Sons, 2000.
  8. HAFEZI, Reza, Shahrabi, Jamal ve Hadavandi, Esmaeil, “A Bat-Neural Network Multi-Agent System (Bnnmas) for Stock Price Prediction: Case Study of Dax Stock Price”, Applied Soft Computing, 29, 2015, s.196- 210. HUANG, Guang-Bin, Wang, Dian Hui ve Lan, Yuan, “Extreme Learning Machines: A Survey”, International Journal of Machine Learning and Cybernetics, 2(2), 2011, s.107-122.
  9. HUANG, Guang-Bin, Zhu, Qin-Yu ve Siew, Chee-Kheong, “Extreme Learning Machine: Theory and Applications”, Neurocomputing, 70(1-3), 2006, s.489-501.
  10. HUANG, Gao, Huang, Guang-Bin, Song, Shiji ve You, Keyou, “Trends in Extreme Learning Machines: A Review”, Neural Networks, 61, 2015, s.32-48.
  11. İNCE, Hüseyin, Imamoğlu, Salih Zeki ve Keskin, Halit, “Öz-Düzenlemeli Harita Ağlari ile K-Ortalama Kümeleme Analizinin Karşilaştirilmasi: Tüketici Profilleme Örneği”. Gazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 28(4), 2013, s.723-731.
  12. KIM, Kyoung jae – Han, Ingoo, “Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for the Prediction of Stock Price Index”, Expert Systems with Applications, 19(2), 2000, s.125-132.
  13. KUSRINI, Kusrini, “Grouping of Retail Items by Using K-Means Clustering”, Procedia Computer Science, 72, 2015, s.495-502.
  14. LI, Xiaodong, Xie, Haoran, Wang, Ran, Cai, Yi, Cao, Jingjing, Wang, Feng, Min, Huaqing ve Deng, Xiaotie. “Empirical