Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu modellerle yapılan tahminlemede, MSCI Avrupa Banka Endeksi RMSE değeri 1344,18 ve NASDAQ Banka Endeksi RMSE değeri 1413,33 olarak tespit edilmiştir.
📌 3 Maddede Bu Makale
Özet
Hisse senedi fiyat tahmini, finans literatüründe oldukça önemli bir konu olmakla birlikte piyasa katılımcılarının ve araştırmacıların ilgisini daha iyi tahmin modelleri geliştirmeye yöneltmiştir. Bu çalışmada, MSCI Avrupa Banka Endeksi ve NASDAQ Banka Endeksi gelecek fiyatlarını tahmin etmede en başarılı modeli tespit etmek amaçlanmaktadır. Bu motivasyonla söz konusu Endekslerin 20/03/2009 ile 20/03/2024 tarihleri arasındaki 15 yıllık günlük verileri kullanılarak Phyton makine öğrenimi programı aracılığıyla ARIMA (otoregresif entegre hareketli ortalama) ve XGBoost (Extreme Gradient Boosting) modellerinin performanslarının karşılaştırılması ve en başarılı modelin tespit edilmesi hedeflenirken, en başarılı modelin belirlenmesinde elde edilen RMSE (Kök Ortalama Kare Hatası) değerleri kriter olarak dikkate alınmıştır. ARIMA model tahminlemesiyle yapılan analizde MSCI Avrupa Banka Endeksi için 5.1.2 modeli, NASDAQ Banka Endeksi için ise 0.1.1 modeli en başarılı model olarak belirlenmiştir. Bu modellerle yapılan tahminlemede, MSCI Avrupa Banka Endeksi RMSE değeri 1344,18 ve NASDAQ Banka Endeksi RMSE değeri 1413,33 olarak tespit edilmiştir. Takip eden analiz sürecinde, söz konusu endeksler XGBoost yöntemi ile modellenmiş ve MSCI Avrupa Banka Endeksi ve NASDAQ Banka Endeksi için RMSE değerleri sırasıyla 118,40 ve 85,72 olarak ortaya çıkmıştır. Elde edilen bulgular değerlendirildiğinde diğer tüm değişkenlerin sabit kaldığı varsayımıyla XGBoost yönteminin her iki endekste de en başarılı model olarak sonuç verdiği görülmektedir. Bu çerçevede çıktılar göz önüne alındığında klasik yöntemlerden ziyade makine öğrenimi metotlarının daha yüksek performans.
Abstract
In the finance literature, stock price forecasting is a crucial subject that has drawn the interest of scholars and market participants in order to create more accurate forecasting models. In this research, we aim to identify the most successful model in predicting the future prices of MSCI Europe Bank Index and NASDAQ Bank Index. With this motivation, it is aimed to compare the performances of ARIMA (autoregressive integrated moving average) and XGBoost (Extreme Gradient Boosting) models through the Phyton machine learning programme using the 15-year daily data of these indices between 20/03/2009 and 20/03/2024 and to determine the most successful model, while the RMSE (Root Mean Square Error) values obtained in determining the most successful model are taken into consideration as criteria. In the analysis made by ARIMA model estimation, the 5.1.2 model for MSCI European Bank Index and the 0.1.1 model for NASDAQ Bank Index were determined as the most successful model. The RMSE values of the NASDAQ Bank Index and MSCI Europe Bank Index were determined employing these models, and the results were 1413.33 and 1344.18, respectively. The XGBoost approach was applied to model the indices in the subsequent analytic procedure. The consequent RMSE values for the NASDAQ Bank Index and MSCI Europe Bank Index were 85.72 and 118.40, respectively. Under the presumption that all other variables stay constant, the evaluation of the results reveals that the XGBoost approach is the most effective model in both indexes. Within this context, it may be argued that this pairwise comparison can support the expectation that machine learning approaches can outperform traditional methods.