Dergiler / Uluslararası Ekonomi ve Yenilik Dergisi / 2018 / Cilt: 4 - Sayı: 1

Hisse Senedi Piyasa Fiyatlarının Saklı Markov Modeli İle Tahmin Edilmesi: Türkiye Örneği

Prediction of Economical Investment Tool Returns With Hidden Markov Model for Turkey

Sayfa
61–75
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)

Baum-Welch algoritması ile de model parametreleri tekrar tahmin edilmiş ve sonuçların oldukça etkin tahminler olduğu gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde insanların kâr elde etme amacıyla geleceği tahmin etme ve bu tahminler sonucunda kazanç elde etme isteği finansal yatırım araçlarına büyük bir talep oluşturmaktadır.
📊
Temel Bulgular & Veri:Bu durum ise geleceğe yönelik yapılan tahmin çalışmalarında artış ile sonuçlanmaktadır.
💡
Sonuç & Katkı:Baum-Welch algoritması ile de model parametreleri tekrar tahmin edilmiş ve sonuçların oldukça etkin tahminler olduğu gözlemlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Günümüzde insanların kâr elde etme amacıyla geleceği tahmin etme ve bu tahminler sonucunda kazanç elde etme isteği finansal yatırım araçlarına büyük bir talep oluşturmaktadır. Piyasalarda meydana gelen bu canlanma, finansal yatırım araçlarına ilgisi olan herkesi bilgi arayışına sürüklemiştir. Bu durum ise geleceğe yönelik yapılan tahmin çalışmalarında artış ile sonuçlanmaktadır. Bu çalışmada Saklı Markov Modeli kullanılarak Borsa İstanbul 100 endeks değerinin değişim oranı, hisse senedine etki eden bazı içsel faktörler yardımıyla tahmin edilmiştir.Saklı Markov Modeli’nin ilk çözüm algoritması olan İleri-Geri Yön algoritması ile geçmiş değerler baz alınarak BIST 100 endeks değişim yüzdesinin ne yönde olacağı ile ilgili olasılıklar tahmin edilmiştir. İkinci aşamada BIST 100 endeksi değişim oranının, çalışmada yer alan içsel faktörlerden hangisinin değişiminden kaynaklandığına dair tahmin yapılmıştır. Baum-Welch algoritması ile de model parametreleri tekrar tahmin edilmiş ve sonuçların oldukça etkin tahminler olduğu gözlemlenmiştir.

Abstract

Nowadays there is a great demand to financial investment tools due to the desire of profiting from future predictions. The revival in the markets drafted everyone interested in financial investment to information hunting. This causes an increase in future prediction studies. In this study BIST 100 index change rate is predicted by the Hidden Markov Model using the exogenous factors affecting stocks. With the help of Hidden Markov Model’s first solution algorithms, forward-backward algorithms, BIST 100 index change rate direction possibilities were predicted based on past values. Secondly prediction of the exogenous factor change affecting the BIST 100 index change rate was done. Using Baum-Welch algorithm model parameters were predicted again and results were found out to be very effective.

🔖

Bu Makaleye Atıf Yap

DAĞLIOĞLU, C., KIRAL, G. (2018). Hisse Senedi Piyasa Fiyatlarının Saklı Markov Modeli İle Tahmin Edilmesi: Türkiye Örneği. Uluslararası Ekonomi ve Yenilik Dergisi, Cilt: 4 - Sayı: 1, 61–75. https://ajindex.com/articles/339592

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Bicego, M., & Murino, V. (2004), “Investigating Hidden Markov models’ Capabilities in 2D Shape Classification”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 26(2), 281-286.
  2. Can, C. E., Ergün, G., & Gökçeoğlu, C. (2013), “Bilecik Çevresinde Deprem Tehlikesinin Saklı Markov Modeli ile Tahmini.” (Erişim Tarihi: 11.09.2017) http://www.tdmd.org.tr/TR/Genel/pdf/TDMSK100.pdf.
  3. Can, T. ve Öz, E. (2009), “Saklı Markov Modelleri Kullanılarak Türkiye'de Dolar Kurundaki Değişimin Tahmin Edilmesi”, Istanbul University Journal of the School of Business Administration, 38(1). Canbaş, S. ve Doğukanlı, H. (2012), Finansal pazarlar. Karahan Kitabevi:
  4. Adana. Ewens, W. J. ve Grant, G. R. (2005), Statistical methods in bioinformatics: an introduction. Springer Science & Business Media. Gupta, M. P. ve Khanna, R. B. (2009), Quantitative techniques for decision making. New Delhi: PHI Learning. İlarslan, K. (2014), “Hisse Senedi Fiyat Hareketlerinin Tahmin Edilmesinde Markov Zincirlerinin Kullanılması: İMKB 10 Bankacılık Endeksi İşletmeleri Üzerine Ampirik Bir Çalışma”, Journal of Yaşar University, 9(35), 6158- 6198. Karan, M. B. (2001).
  5. Yatırım analizi ve portföy yönetimi, Ankara:
  6. Gazi Kitabevi.
  7. Karlsson, M. (2004). Hidden Markov Models http://www.math.chalmers.se/~olleh/MarkovKarlsson.pdf (Erişim Tarihi: 20.08.2017)
  8. Kiral, E., & Uzun, B. (2017), “Forecasting Closing Returns of Borsa Istanbul Index with Markov Chain Process of the Fuzzy States”, Journal of Economics Finance and Accounting, 4(1), 15-24.
  9. Lou, H. L. (1995), “Implementing the Viterbi algorithm”, IEEE Signal processing magazine, 12(5), 42-52.
  10. Mavruk, C. ve Kıral, E. (2016), “Prediction of Central Government Budget Tax Revenues Using Markov Model”, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 25(2), 41-56.
  11. Messina, E. ve Toscani, D. (2007), “Hidden Markov models for scenario generation”, IMA Journal of Management Mathematics, 19(4), 379-401.
  12. Öz, E. (2009), “İstanbul Menkul Kıymetler Borsası üzerine Saklı Markov Modeli ile bir tahminleme”, Ekonomik Yaklaşım, 20(72), 59-85.
  13. Özcan, G. (2015), “Saklı Markov Modelleri ve uygulamaları”, Akademik Bilişim, 15, 1-10.
  14. Özdemir, A. ve Demireli, E. (2014), “Hisse senedi fiyat verimliliğinin markov zincirleri ile analizi BIST teknoloji endeksi hisse senedi fiyatları üzerine bir uygulama”, Verimlilik Dergisi, 41-60.
  15. Rabiner, L.R. (1989), “A tutorial on Hidden Markov models and selected applications in speech recognition”, Proceedings Of The IEEE, 77(2),