KaydedilenlerDerginizi ekleyin

Dergiler / Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2021 / Cilt: 16 - Sayı: 1

Makine Öğrenmesi Teknikleri İle Hisse Senedi Fiyat Tahmini

Nesrin KOÇ USTALI
Nedret TOSUN
Ömür TOSUN
Sayfa
1–16
Yayın Tarihi
2021-04-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca her iki modelin de YSA’ya göre daha yüksek performans gösterdiği tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Borsa İstanbul Anonim Şirketi (BİST) 30 Endeksi’nde işlem gören firmaların hisse senetlerinin gelecek fiyatlarını tahmin etmeyi amaçlamaktadır.
📊
Temel Bulgular & Veri:Bu amaçla öncelikle BİST 30 Endeksi firmalarının 2010-2019 yılları arasındaki üçer aylık finansal tabloları temin edilmiş daha sonra bu tablolar vasıtasıyla firmalara ait finansal oranlar hesaplanmıştır.
💡
Sonuç & Katkı:Ayrıca her iki modelin de YSA’ya göre daha yüksek performans gösterdiği tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010-2019 Verileri
⚙️Değişkenler:BİST 30 Endeksi · Gelecek Fiyat Tahmini · yapay sinir ağları

Özet

Bu çalışma, Borsa İstanbul Anonim Şirketi (BİST) 30 Endeksi’nde işlem gören firmaların hisse senetlerinin gelecek fiyatlarını tahmin etmeyi amaçlamaktadır. Bu amaçla öncelikle BİST 30 Endeksi firmalarının 2010-2019 yılları arasındaki üçer aylık finansal tabloları temin edilmiş daha sonra bu tablolar vasıtasıyla firmalara ait finansal oranlar hesaplanmıştır. Ayrıca firma hisse senetlerinin aylık kapanış fiyatlarına ulaşılmış ve firmalara ait finansal oranlarla denk olacak şekilde üçer aylık ortalamaları alınmıştır. Bu şekilde veriler temin edildikten sonra Yapay Sinir Ağları (YSA), Rastgele Orman (RO) algoritması ve XGBoost algoritması kullanılarak her bir firmaya ait hisse senedinin gelecek fiyatı tahmin edilmiştir. Daha sonra her bir yönteme göre elde edilen tahmin sonuçları karşılaştırılmıştır. XGBoost ve Rastgele Orman algoritmaları birbirlerine yakın sonuçlar vermelerine rağmen XGBoost algoritması en iyi sonucu vermektedir. Ayrıca her iki modelin de YSA’ya göre daha yüksek performans gösterdiği tespit edilmiştir.

Abstract

This study aims to estimate the future prices of stocks of firms listed in Borsa Istanbul Joint Stock Company (BIST) 30 Index. For this purpose, firstly, quarterly financial statements of BIST 30 Index companies between 2010-2019 have been provided and then financial ratios of firms have been calculated through these tables. In addition, monthly closing prices of company stocks were reached, and quarterly averages were taken in line with the financial ratios of firms. After obtaining the data, the future price of each company's stock was estimated by using Artificial Neural Networks (ANN), Random Forest (RF) algorithm and XGBoost algorithm. Then, the estimation results obtained according to each method were compared. It was determined that although XGBoost and Random Forest algorithms gave similar results, XGBoost has slightly better forecast results. Also, both models performed better than ANN.

🔖

Bu Makaleye Atıf Yap

USTALI, N. K., TOSUN, N., TOSUN, Ö. (2021). Makine Öğrenmesi Teknikleri İle Hisse Senedi Fiyat Tahmini. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 16 - Sayı: 1, 1–16. https://ajindex.com/articles/116877

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Adebiyi, Ayodele A.; Ayo, Charles K.; Adebiyi, Marion O.; Otokiti, Sunday O. (2012), “Stock Price Prediction Using Neural Network with Hybridized Market Indicators”, Journal of Emerging Trends in Computing and Information Sciences, C. 3, S. 1: 1-9.
  2. Akcan, Ahmet; Kartal, Cem (2011), “İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları ile Tahmini”, Muhasebe ve Finansman Dergisi, S. 51: 27-40.
  3. Breıman, Leo (2001), “Random Forests”, Machine Learning, C. 45, S.1: 5-32.
  4. Chen, Tai L.; Cheng, Ching H.; Teoh, Hia J. (2007), “Fuzzy Time-Series Based on Fibonacci Sequence for Stock Price Forecasting”, Physica A: Statistical Mechanics and Its Applications, S. 380: 377-390.
  5. Chen, Tianqi; Guestrin, Carlos (2016), “XGBoost: A Scalable Tree Boosting System”, in Proceedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining, ACM, 785-794.
  6. Elmas, Çetin (2003), Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Ankara:
  7. Seçkin Yayıncılık. Elmas, Çetin (2007),
  8. Yapay Zeka Uygulamaları, Ankara:
  9. Seçkin Yayıncılık. Guresen, Erkam; Kayakutlu, Gulgun; Daim, Tugrul U. (2011), “Using Artificial Neural Network Models in Stock Market Index Prediction”, Expert Systems with Applications, C. 38, S. 8: 10389-10397.
  10. Hadavandi, Esmaeil; Shavandi, Hassan; Ghanbari, Arash (2010), “Integration of Genetic Fuzzy Systems and Artificial Neural Networks for Stock Price Forecasting”, Knowledge-Based Systems, C. 23, S. 8: 800-808. https://www.kap.org.tr/tr/Endeksler, (Erişim: 03.11.2018).
  11. İlarslan, Kenan (2014), “Hisse Senedi Fiyat Hareketlerinin Tahmin Edilmesinde Markov Zincirlerinin Kullanılması: İMKB 10 Bankacılık Endeksi İşletmeleri Üzerine Ampirik Bir Çalışma/The Use Of Markov Chains for Tthe Prediction of Stock Price Movements: An Empirical Study on the İMKB 10 Banking Index Firms”, Journal of Yaşar University, C. 9, S. 35: 6158-6198.
  12. Liu, Chih F.; Yeh, Chi Y.; Lee, Shie J. (2012), “Application of Type-2 Neuro-Fuzzy Modeling in Stock Price Prediction”, Applied Soft Computing, C. 12, S. 4; 1348-1358.
  13. Mitchell, Rory; Frank, Eibe (2017), “Accelerating the XGBoost Algorithm Using GPU Computing”, PeerJ Computer Science, S.3; 127-164.
  14. Okka, Osman (2009), Finansal Yönetim Teori ve Çözümlü Problemler, Ankara:
  15. Nobel Yayıncılık. Okumuş, Hatice; Aydemir, Önder (2017), “Random Forest Classification for Brain Computer Interface Applications”, In Signal Processing and Communications Applications Conference (SIU), S.25: 1-4. Öztemel,