SavedAdd your journal

Journals / İktisat Politikası Araştırmaları Dergisi / 2022 / Cilt: 9 - Sayı: 2

Stock Market Price Forecasting Using the Arima Model: an Application to Istanbul, Turkiye

Borsa İstanbul Fiyatlarının Arima Modeli İle Tahmin Edilmesi

Tamerlan MASHADİHASANLİ
Pages
439–454
Publication Date
2022-07-29
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)

Forecasting is conducted by using the developed model ARIMA (3,1,5) and the results indicated that the forecasted values are very similar to the actual ones, reducing forecast errors.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Because of its critical position in open economies and its extremely high volatility, the stock market price index has been a popular subject of market research.
📊
Key Findings & Data:Thus, this study aims to investigate the application of autoregressive integrated moving averages (ARIMA) for forecasting monthly stock market price index in Istanbul for the period from 2009- M01 to 2021-M03.
💡
Conclusion & Impact:Forecasting is conducted by using the developed model ARIMA (3,1,5) and the results indicated that the forecasted values are very similar to the actual ones, reducing forecast errors.
🔬Design:Modeling & Simulation
📍Scope:2009 Verileri
⚙️Variables:ARIMA · tahminleme · borsa fiyat endeksi

Abstract

Because of its critical position in open economies and its extremely high volatility, the stock market price index has been a popular subject of market research. In modern financial markets, traders and practitioners have had trouble predicting the stock market price index. In order to solve this problem, some methods have been researched by researchers and suitable methods have been found. To analyze and forecast monthly stock market price index, a variety of statistical and econometric models are extensively used. Thus, this study aims to investigate the application of autoregressive integrated moving averages (ARIMA) for forecasting monthly stock market price index in Istanbul for the period from 2009- M01 to 2021-M03. As compared to all other tentative models, the research showed that the ARIMA (3,1,5) model is the best fit model for predicting the stock market price index. Forecasting is conducted by using the developed model ARIMA (3,1,5) and the results indicated that the forecasted values are very similar to the actual ones, reducing forecast errors. In general, the stock market price index in Istanbul; showed a downwards trend over the forecasted period. The results of the study can set an example for researchers and practitioners working in the stock market and can be a guide for economic decision units and investors in the stock market.

Özet

Açık ekonomilerdeki kritik konumu ve son derece yüksek oynaklığı nedeniyle borsa fiyat endeksi, piyasa araştırmalarının popüler bir konusu olmuştur. Modern finans piyasalarında, tüccarlar ve uygulayıcılar borsa fiyat endeksini tahmin etmekte zorlanıyorlar. Bu soruna çözüm getirmek için araştırmacılar tarafından bazı yöntemler araştırılmış ve uygun yöntemler bulunmuştur. Aylık borsa fiyat endeksini analiz etmek ve tahmin etmek için çeşitli istatistiksel ve ekonometrik modeller yaygın olarak kullanılmaktadır. Bu nedenle, bu çalışma, 2009-M01 ile 2021-M03 arasındaki dönem için İstanbul'da aylık borsa fiyat endeksini tahmin etmek için otoregresif entegre hareketli ortalamalar (ARIMA) uygulamasını araştırmayı amaçlamaktadır. Araştırma, diğer tüm geçici modellerle karşılaştırıldığında, ARIMA (3,1,5) modelinin borsa fiyat endeksini tahmin etmek için en uygun model olduğunu göstermiştir. Tahmin, geliştirilen ARIMA (3,1,5) modeli kullanılarak yapılmıştır ve sonuçlar, tahmin edilen değerlerin gerçek değerlere çok benzer olduğunu ve tahmin hatalarını azalttığını göstermiştir. Genel olarak İstanbul'da borsa fiyat endeksi; tahmin edilen dönemde aşağı yönlü bir eğilim göstermiştir. Çalışmanın sonuçları borsada çalışan araştırmacı ve uygulayıcılara örnek teşkil edebileceği gibi borsada ekonomik karar birimlerine ve yatırımcılara yol gösterici olabilir.

🔖

Cite This Article

MASHADİHASANLİ, T. (2022). Stock Market Price Forecasting Using the Arima Model: an Application to Istanbul, Turkiye. İktisat Politikası Araştırmaları Dergisi, Cilt: 9 - Sayı: 2, 439–454. https://ajindex.com/articles/674358

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (1)

  1. Al-Zeaud, H. A. (2011). Modelling and forecasting volatility using ARIMA Model. European Journal of Economics, Finance & Administrative Science, 35, 109-125. google scholar Atsalakis, G. S., & Valavanis, K. P. (2009). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert systems with Applications, 36(7), 10696-10707. google scholar Atsalakis, G. S., Dimitrakakis, E. M., & Zopounidis, C. D. (2011). Elliott wave theory and neuro-fuzzy systems, in stock market prediction: The WASP system. Expert Systems with Applications, 38(8), 9196-9206. google scholar Baba, N., & Kozaki, M. (1992). An intelligent forecasting system of stock price using neural networks. In [Proceedings 1992] IJCNN International Joint Conference on Neural Networks (Vol. 1, pp. 371-377). google scholar Bircan, H., & Karagöz, Y. (2003). Box-Jenkins modelleri ile aylık döviz kuru tahmini üzerine bir uygulama. Kocaeli Üniversitesi Sosyal Bilimler Dergisi, (6), 49-62. google scholar Çevik, O (2002). İMKB endeksinin Box-Jenkins yöntemi ile modellenmesi. Afyon Kocatepe Üniversitesi İİBF Dergisi, (C.IV, S.1), 17-31. google scholar Chang, C. L., Sriboonchitta, S., & Wiboonpongse, A. (2009). Modelling and forecasting tourism from East Asia to Thailand under temporal and spatial aggregation. Mathematics and computers in simulation, 79(5), 17301744. google scholar Contreras, J., Espinola, R., Nogales, F. J., & Conejo, A. J. (2003). ARIMA models to predict next-day electricity prices. IEEE transactions on power systems, 18(3), 1014-1020. google scholar Datta, K. (2011). ARIMA forecasting of inflation in the Bangladesh Economy. IUP Journal of Bank Management, 10(4), 7-15. google scholar Etuk, H. E., Uchendu, B., & Udo, E. O. (2012). Box-Jenkins modeling of Nigerian stock prices data. Greener Journal of Science Engineering and Technological Research, 2(2), 32-38. google scholar Gupta, S., & Kashyap, S. (2015). Box Jenkins approach to forecast exchange rate in India. Prestige International Journal of Management and Research, 8(1), 1-11. google scholar Kamijo, K. I., & Tanigawa, T. (1990). Stock price pattern recognition-a recurrent neural network approach. In 1990 IJCNN international joint conference on neural networks (pp. 215-221). google scholar Kharimah, F., Usman, M., Widiarti, W., & Elfaki, F. A. (2015). Time series modeling and forecasting of the consumer price index Bandar Lampung. Science International, 27(5 (B)), 4619-4624. google scholar Kihoro, J. M., & Okango,