SavedAdd your journal

Journals / Abant Sosyal Bilimler Dergisi / 2022 / Cilt: 22 - Sayı: 1

BIST-100 Endeks Hareketlerinin BRICS Endeksleri Aracılığıyla Tahmin Edilmesi: Yapay Sinir Ağları Uygulaması

Kübra SAKA ILGIN
Salim SERCAN SARI
Pages
350–366
Publication Date
2022-03-31
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 bulgulara göre, Yapay Sinir Ağları (YSA) yöntemi ile BİST 100 endeksini tahmin etmek için kurulan modellerin BRICS ülkelerinden sırasıyla Hindistan, Güney Afrika ve Rusya ülkeleri için başarılı sonuçlar verdiği gözlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, BİST 100 endeks hareketlerinin BRICS ülkelerinin gösterge endeksleri ile tahmin edilmesi amaçlanmaktadır.
📊
Key Findings & Data:Çalışmanın uygulama kısmında, tahmin için geliştirilen modellerde bağımlı değişken olarak BİST 100 endeksinin aylık kapanış fiyatları, bağımsız değişken olarak BRICS ülkelerinin gösterge endekslerinin aylık kapanış fiyatları kullanılmıştır.
💡
Conclusion & Impact:Elde edilen bulgulara göre, Yapay Sinir Ağları (YSA) yöntemi ile BİST 100 endeksini tahmin etmek için kurulan modellerin BRICS ülkelerinden sırasıyla Hindistan, Güney Afrika ve Rusya ülkeleri için başarılı sonuçlar verdiği gözlenmiştir.
🔬Design:Modeling & Simulation
📍Scope:2008- 2019 Verileri
⚙️Variables:Borsa Endeksleri · BRICS Ülkeleri · Yapay Sinir Ağları

Özet

Bu çalışmada, BİST 100 endeks hareketlerinin BRICS ülkelerinin gösterge endeksleri ile tahmin edilmesi amaçlanmaktadır. Çalışmanın uygulama kısmında, tahmin için geliştirilen modellerde bağımlı değişken olarak BİST 100 endeksinin aylık kapanış fiyatları, bağımsız değişken olarak BRICS ülkelerinin gösterge endekslerinin aylık kapanış fiyatları kullanılmıştır. Bu kapsamda 5’i bağımsız, 1’i bağımlı değişken olmak üzere toplam 6 değişkenle kurulan 20 model Yapay Sinir Ağları (YSA) yöntemi ile analiz edilmiştir. Analizi yapılan tüm modellerde, 2008- 2019 yılları arasındaki aylık verilerden yararlanılmıştır. Değişkenlere ait toplanan 143 aylık verinin %70’i eğitim verisi olarak, %30’u ise matematiksel modellerin tahmin başarısını ölçmek için kullanılmıştır. Elde edilen bulgulara göre, Yapay Sinir Ağları (YSA) yöntemi ile BİST 100 endeksini tahmin etmek için kurulan modellerin BRICS ülkelerinden sırasıyla Hindistan, Güney Afrika ve Rusya ülkeleri için başarılı sonuçlar verdiği gözlenmiştir.

🔖

Cite This Article

ILGIN, K. S., SARI, S. S. (2022). BIST-100 Endeks Hareketlerinin BRICS Endeksleri Aracılığıyla Tahmin Edilmesi: Yapay Sinir Ağları Uygulaması. Abant Sosyal Bilimler Dergisi, Cilt: 22 - Sayı: 1, 350–366. https://ajindex.com/articles/713957

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Akel, V. (2015), Kırılgan Beşli Ülkelerinin Hisse Senedi Piyasaları Arasındaki Eşbütünleşme Analizi, Uluslararası Yönetim İktisat ve İşletme Dergisi, 11(24), s.75-96.
  2. Avci, E. ve Çi̇nko, M. (2008), Endeks Getirilerinin Yapay Sinir Ağları Mo-Delleri İle Tahmin Edilmesi: Gelişmekte Olan Avrupa Borsaları Uygulaması, İktisat İşletme ve Finans Dergisi, 23(266), s.114-137.
  3. Başakın, E. E., Özger, M. ve Ünal, N. E. (2019), Gri Tahmin Yöntemi İle İstanbul Su Tüketiminin Modellenmesi, Politeknik Dergisi, 22(3), s.755-761.
  4. Benli, Y. K. (2014), Türkiye Borsasının Gelişmekte Olan Ülkeler Borsaları ile Eşbütünleşme Analizi, Yönetim ve Ekonomi Araştırmaları Dergisi, 12(23), s.18-32.
  5. Benli, Y. K. ve Tosunoğlu, N. G. (2014), Avrupa Birliği Üyesi Ülkelerin Morgan Stanley Capıtal Internatıonal Endekslerinin Değerlendirilmesi ve Yapay Sinir Ağları İle Öngörüsü, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(2), s.72-87.
  6. Bozoklu, Ş. ve Saydam, İ. M. (2010), BRICS Ülkeleri ve Türkiye Arasındaki Sermaye Piyasaları Entegrasyonunun Parametrik ve Parametrik Olmayan Eşbütünleşme Testleri ile Analizi, Maliye Dergisi, 159, s.416-431.
  7. Çelik, T. ve Boztosun, D. (2010), Türkiye Borsası ile Asya Ülkeleri Borsaları Arasındaki Entegrasyon İlişkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 36, s.57-71.
  8. Çıtak, L. ve Gözbaşı, O. (2007), İMKB ile Bazı Önde Gelen Gelişmiş ve Gelişmekte Olan Ülke Borsaları Arasındaki Bütünleşmenin Temel Endeks ve Ana Sektör Endeksleri Temelinde Analizi, Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 22(2), s.249-271.
  9. Dimpfl, T. (2014), A Note on Cointegration of International Stock Market Indices, International Review of Financial Analysis, 33, s.10-16.
  10. Gözbaşı, O. (2010), İMKB ile Gelişmekte Olan Ülkelerin Hisse Senedi Piyasalarının Etkileşimi: Eşbütünleşme ve Nedensellik Yaklaşımı, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 35, s.99-118.
  11. Guidi, F. ve Ugur, M. (2014), An Analysis Of South-Eastern European Stock Markets: Evidence on Cointegration and Portfolio Diversification Benefits, Journal of International Financial Markets, Institutions and Money, 30, s.119-136.
  12. Guresen, E., Kayakutlu, G. ve Daim, T. U. (2011), Using Artificial Neural Network Models in Stock Market Index Prediction, Expert Systems with Applications, 38(8), s.10389-10397.
  13. Haykin, S. (2009), Neural Networks and Learning Machines, Canada: Pearson. Horvath, R. ve Petrovski, D. (2013), International Stock M