Ocak 2003- Ekim 2017 tarihleri arasındaki aylık verilerin % 70’inin eğitim, % 10’unun doğrulama ve % 20’sinin test için kullanıldığı modellerde YSA, yüksek bir eğitim performansı göstermiş ve sonuçta ağın gerçek değerlere yakın tahmini değerler ürettiği görülmüştür.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:Emeklilik yatırım fonu hisse senedi fiyatlarını tahmin etmek amacıyla, yapay sinir ağları (YSA) yöntemi kullanılarak altı farklı hisse senedi emeklilik yatırım fonu için altı farklı modelin oluşturulduğu bu çalışmada, girdi değişkenleri olarak; euro alış kuru, dolar alış kuru, cumhuriyet altını satış fiyatı, BİST 100 endeksi kapanış fiyatı, bankalarca açılan TL mevduatlara uygulanan ağırlıklı ortalama faiz oranı ve tüketici fiyat endeksi kullanılmıştır.
📊
Key Findings & Data:Emeklilik yatırım fonu hisse senedi fiyatlarını tahmin etmek amacıyla, yapay sinir ağları (YSA) yöntemi kullanılarak altı farklı hisse senedi emeklilik yatırım fonu için altı farklı modelin oluşturulduğu bu çalışmada, girdi değişkenleri olarak; euro alış kuru, dolar alış kuru, cumhuriyet altını satış fiyatı, BİST 100 endeksi kapanış fiyatı, bankalarca açılan TL mevduatlara uygulanan ağırlıklı ortalama faiz oranı ve tüketici fiyat endeksi kullanılmıştır.
💡
Conclusion & Impact:Ocak 2003- Ekim 2017 tarihleri arasındaki aylık verilerin % 70’inin eğitim, % 10’unun doğrulama ve % 20’sinin test için kullanıldığı modellerde YSA, yüksek bir eğitim performansı göstermiş ve sonuçta ağın gerçek değerlere yakın tahmini değerler ürettiği görülmüştür.
🔬Design:Experimental Field Trial
📍Scope:2003 Verileri
⚙️Variables:Yapay Sinir Ağları · Emeklilik Yatırım Fonları
Özet
Emeklilik yatırım fonu hisse senedi fiyatlarını tahmin etmek amacıyla, yapay sinir ağları (YSA) yöntemi kullanılarak altı farklı hisse senedi emeklilik yatırım fonu için altı farklı modelin oluşturulduğu bu çalışmada, girdi değişkenleri olarak; euro alış kuru, dolar alış kuru, cumhuriyet altını satış fiyatı, BİST 100 endeksi kapanış fiyatı, bankalarca açılan TL mevduatlara uygulanan ağırlıklı ortalama faiz oranı ve tüketici fiyat endeksi kullanılmıştır. Ocak 2003- Ekim 2017 tarihleri arasındaki aylık verilerin % 70’inin eğitim, % 10’unun doğrulama ve % 20’sinin test için kullanıldığı modellerde YSA, yüksek bir eğitim performansı göstermiş ve sonuçta ağın gerçek değerlere yakın tahmini değerler ürettiği görülmüştür.
ONOCAK, D., KOÇ, S. (2018). YAPAY SİNİR AĞLARI İLE EMEKLİLİK YATIRIM FONU HİSSE SENEDİ FİYATLARININ TAHMİNİ. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, Cilt: 3 - Sayı: 3, 590–600. https://ajindex.com/articles/758517
Adebiyi, A., Adewumi, A. O. and Ayo, C. K. (2014). “Comparison Of ARIMA and Artificial Neural Networks Models For Stock Price Prediction”, Journal Of Applied Mathematics, 1-7.
Akcan, A., Kartal, C. (2011). “İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağlari İle Tahmini”, Muhasebe ve Finansman Dergisi, (51), 27-40.Alper, Y. (2002). “Sosyal Güvenlikte Yeni Bir Adım: Bireysel Emeklilik”, Çimento İşveren Dergisi, 16(2), 11-32.Çalışkan, M. M. T., Deniz, D.(2015). “Yapay Sinir Ağlarıyla Hisse Senedi Fiyatları ve Yönlerinin Tahmini”, Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 10(3), 177- 194.Demirbilek, İ. (2012). Türkiye’de Bireysel Emeklilik Uygulamaları. Erdal, F. (Ed.), Hayat Sigortaları ve Bireysel Emeklilik Sistemi içinde (s.136-155),
Web- Ofset, Eskişehir.Diler, A. İ. (2003). “İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi İle Tahmin Edilmesi. Türkiye’de Bankalar, Sermaye Piyasası ve Ekonomik Büyüme: Koentegrasyon ve Nedensellik Analizi (1989-2000)”, 81.İMKB Dergisi, 7(25-26), 65-83.Dutta, G., Jha, P., Laha, A. K., & Mohan, N.(2006). “Artificial Neural Network Models For Forecasting Stock Price İndex İn The Bombay Stock Exchange”, Journal Of Emerging Market Finance, 5(3), 283-295.Elmas, Ç. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Ankara:
Seçkin Yayıncılık.Erdoğan, E., Özyürek, H. (2012). “Yapay Sinir Ağları İle Fiyat Tahminlemesi”, Sosyal ve Beşeri Bilimler Dergisi, 4(1), 85-92.Hadavandi, E., Shavandi, H. and Ghanbari, A. (2010). “Integration Of Genetic Fuzzy Systems and Artificial Neural Networks For Stock Price Forecasting”, Knowledge-Based Systems, 23(8), 800-808.Hafezi, R., Shahrabi, J., & Hadavandi, E. (2015). “A Bat-Neural Network Multi-Agent System (BNNMAS) For Stock Price Prediction: Case Study Of DAX Stock Price”, Applied Soft Computing, (29), 196-210.Hill, T., Marquez, L., O'Connor, M., & Remus, W.(1994). “Artificial Neural Network Models For Forecasting And Decision Making”, International Journal Of Forecasting, 10(1), 5-15.https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket/#collapse_1 (Erişim Tarihi: 03.11.2017)http://www.spk.gov.tr/SiteApps/PortfoyDegerleri/YatirimFonlari/E (Erişim Tarihi: 05.11.2017)Kaastra, I. and Boyd, M. (1996). “Designing A Neural Network For Forecasting Financial and Economic Time Series”, Neurocomputing, 10(3), 215-236.Karaatlı, M., Güngör, İ., Demir, Y. ve Kalaycı, Ş. (2005). “Hisse Senedi Fiyat Hareketlerinin Yapay Sini