Dergiler / Yaşar Üniversitesi E-Dergisi / 2020 / Cilt: 15 - Sayı: 60

Çok Değişkenli Uyarlanabilir Regresyon Uzanımları (MARS) Modeli Kullanılarak Türkiye’de Borsa Fiyatının Makroekonomik Değişkenler İle Tahmin Edilmesi

Forecasting Turkish Stock Market Price With Macroeconomic Variables From The Multivariate Adaptive Regression Splines (Mars) Model

Sayfa
759–771
Yayın Tarihi
2020-10-31
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)

Sonuçlarımız enflasyon oranı, altın fiyatları, sanayi üretim endeksi, para arzı, döviz kuru, kredi hacmi ve iç borç stoku gibi değişkenlerin BIST 100 kapanış fiyatının tahmini için önemli olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Türkiye’de Ocak 2010'dan Aralık 2019'a kadar geçen sürede Çok Değişkenli Uyarlanabilir Regresyon Spline (MARS) Modelini kullanarak, Borsa İstanbul kapanış fiyatının (BIST 100) makroekonomik belirleyicilerini tahmin etmeyi amaçlamaktadır.
📊
Temel Bulgular & Veri:MARS modelini kullanarak hisse senedi fiyatını tahmin etmek için 10 makroekonomik değişken kullanılmıştır.
💡
Sonuç & Katkı:Sonuçlarımız enflasyon oranı, altın fiyatları, sanayi üretim endeksi, para arzı, döviz kuru, kredi hacmi ve iç borç stoku gibi değişkenlerin BIST 100 kapanış fiyatının tahmini için önemli olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010 Verileri
⚙️Değişkenler:Çok Değişkenli Uyarlanabilir Regresyon Uzanımları (MARS) Modeli · BIST 100 · Makroekonomik Değişkenler

Özet

Bu çalışma, Türkiye’de Ocak 2010'dan Aralık 2019'a kadar geçen sürede Çok Değişkenli Uyarlanabilir Regresyon Spline (MARS) Modelini kullanarak, Borsa İstanbul kapanış fiyatının (BIST 100) makroekonomik belirleyicilerini tahmin etmeyi amaçlamaktadır. Bu çalışmada,. MARS modelini kullanarak hisse senedi fiyatını tahmin etmek için 10 makroekonomik değişken kullanılmıştır. Sonuçlarımız enflasyon oranı, altın fiyatları, sanayi üretim endeksi, para arzı, döviz kuru, kredi hacmi ve iç borç stoku gibi değişkenlerin BIST 100 kapanış fiyatının tahmini için önemli olduğunu göstermektedir.

Abstract

This empirical investigation aims at forecasting the macroeconomic determinants of Istanbul Stock Price (XU 100) in Turkey by using the Multivariate Adaptive Regression Splines (MARS) Model over the period spanning from the January 2010 to December 2019. In this study, we used 10 macroeconomic variables for forecasting stock price using the MARS model. Our results indicate that variables such as inflation rate, gold prices, industrial production index, money supply, exchange rate, credit volume, and internal debt stock were found to be important for forecasting XU100 price.

🔖

Bu Makaleye Atıf Yap

BAĞCI, B., ÇITAK, F. (2020). Çok Değişkenli Uyarlanabilir Regresyon Uzanımları (MARS) Modeli Kullanılarak Türkiye’de Borsa Fiyatının Makroekonomik Değişkenler İle Tahmin Edilmesi. Yaşar Üniversitesi E-Dergisi, Cilt: 15 - Sayı: 60, 759–771. https://ajindex.com/articles/193519

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. Adusel, M. (2014). “The Inflation-Stock Market Returns Nexus: Evidence from the Ghana Stock Exchange,” Journal of Economics and International Finance, 6(2): 38-46. DOI: 10.5897/JEIF2013.0556. Afsal, E. and Haque, M. (2016). “Market Interactions in Gold and Stock Markets: Evidences from Saudi Arabia,” International Journal of Economics and Financial, 6(3): 1025-1034.
  2. Ahmed, F., Islam, K. and Khan, M. (2016). “Relationship between Inflation and Stock Market Returns: Evidence from Bangladesh,” Journal of Business and Economics, 9(1): 1-9.
  3. Ahmed, S. (2008). “Aggregate Economic Variables and Stock Market in India,” International Research Journal of Finance and Economics,” 14: 14-64.
  4. Al Mukit, M. (2013). “The Effects of Interest Rates Volatility on Stock Returns: Evidence from Bangladesh,” International Journal in Management Business Research, 3(3): 269-279.
  5. Al-Ameer, M., Hammad, W., Ismail, A. and Hamdan, A. (2018). “The Relationship of Gold Price with the Stock Market: The Case of Frankfurt Stock Exchange,” International Journal of Energy Economics and Policy, 8(5): 357-371.
  6. Al-Hajj, E., Al-Mulali, U. and Solarin, S. (2017). “The Influence of Oil Price Shocks on Stock Market Returns: Fresh Evidence from Malaysia,” International Journal of Energy Economics and Policy, 7(5): 235-244.
  7. Anari, A. and Kolari, J. (2001). “Stock Prices and Inflation,” Journal of Financial Research, 24(4): 587-602. DOI: 10.1111/j.1475-6803.2001.tb00832.x. Anyalechi, K., Ezeaku, H., Onwumere, J. and Okereke, E. (2019). “Does Oil Price Fluctuation Affect Stock Market Returns in Nigeria?,” International Journal of Energy Economics and Policy, 9(1): 194-199.
  8. Arouri, M. and Rault, C. (2011). “Do Structural Oil-Market Shocks Affect Stock Prices?,” Energy Economics, 31: 569-575. DOI: 10.1016/j.eneco.2009.03.001. Asmy, M., Rohilina, W., Hassama, A. and Fouad, M. (2009). “Effects of Macroeconomic Variables on Stock Prices in Malaysia: An Approach of Error Correction Model,” MPRA Paper No. 20970, University Library of Munich, Germany. Başarır, Ç. (2019). “Altın ve Hisse Senedi Getirileri Arasındaki Nedensellik Ilişkisi: Turkiye Örneği,” Trakya Üniversitesi Sosyal Bilimler Dergisi, 21 (2): 475-490. DOI: 10.26468/trakyasobed.472190. Basher, S. and Sadorsky, P. (2006). “Oil Price Risk and Emerging Stock Markets,” Global Finance Journal, 17: 224–51. DOI: 10.1016/j.gfj.2006.04.001. Bauy, D. and Lucey, B. (2010). “Is Gold a Hedge or a Safe Haven? An Analysis of Stocks, Bonds and Gold,” Financial Revi