Journals / Hitit Sosyal Bilimler Dergisi / 2021 / Cilt: 14 - Sayı: 2
An Approach to Predicting Direction of City Index Movement by Integrating Technical Indicators into Machine Learning Models
- Pages
- 556–575
- DOI
- —
Abstract
City indexes that have been calculated by Borsa Istanbul provides a deeper understanding to investors who are interested on making investments to a specific region. Financial performances of 13 cities in Turkey are reflected by these indexes from the beginning of the year 2009. This study differs from the earlier ones mostly focused on the volatility by integrating the technical indicators into different machine learning models for the purpose of forecasting the direction of movement in the daily city indexes. The proposed procedure was applied to the Istanbul city index (XSIST) series, which has the highest number of stocks traded in BIST. 38 different technical indicators based on volume, volatility, trend and momentum were calculated and the most effective indicators in the daily change of XSIST series were selected as inputs to 6 different machine learning models. The performance of the learning models was compared with the help of metrics based on confusion matrices.
Özet
Borsa İstanbul (BIST) tarafından hesaplanan şehir endeksleri, belirli bir bölgeye yatırım yapmak isteyen yatırımcılara önemli bir yol göstericidir. Türkiye'de 13 ilin finansal performansları 2009 yılı başından itibaren bu endeksler tarafından yansıtılmaktadır. Bu çalışmada, şehir endeksi serilerinin çoğunlukla oynaklığı ile ilgilenen önceki çalışmalardan farklı olarak, teknik göstergeleri farklı makine öğrenmesi modellerine entegre ederek şehir endeksi serilerine ait hareketin yönünü tahmin etmede kullanılabilen bileşik bir prosedür önerilmiştir. Önerilen prosedür, BIST’de işlem gören en yüksek hisse senedi sayısına sahip İstanbul şehir endeksi (XSIST) serisine uygulanmıştır. Hacim, oynaklık, trend ve momentuma dayalı 38 farklı teknik gösterge hesaplanmış ve XSIST serisinin günlük değişiminde en etkili göstergeler, 6 farklı makine öğrenmesi modellerine girdi olarak seçilmiştir. Öğrenme modellerin performansı, karmaşıklık matrislerine dayalı metrikler yardımıyla karşılaştırılmıştır.