KaydedilenlerDerginizi ekleyin

Dergiler / Ekonomi Politika ve Finans Araştırmaları Dergisi / 2019 / Cilt: 4 - Sayı: 2

Yemek, Ulusal Kimlik ve Milliyetçilik İlişkisi Üzerine: "Çiya" Markası ve "Turquality" Programı Örnekleri Üzerinden Bir Yaklaşım Denemesi

On the Relation between Food, National Identity and Nationalism: An Approach within the Examples of ‘Çiya’ Brand and ‘Turquality’ Program

Emre YILDIRIM
Sayfa
188–203
Yayın Tarihi
2019-08-30
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)

Çalışmanın sonucunda doğrusal regresyon temelli algoritmaların BIST30 hisse senedi fiyat hareket yönünü tahmin etmede, nöral ağ ve Poisson regresyonu yöntemlerinin ise kapanış fiyatı değerini tahmin etmede etkili oldukları görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Finansal varlık fiyatlarının geleceğinin tahmin edilmesi literatür ve uygulamada uzun zamandır ilgi çeken bir konudur.
📊
Temel Bulgular & Veri:Son yıllarda, borsaya kote şirketlerin hisse senetlerinin fiyat hareketleri öngörme ve geleceğe dönük değerlerini tahmin etme hedefi için yapay zeka algoritmalarının başarılı yöntemler sundukları farklı akademik çalışmalarca ortaya konulmuştur.
💡
Sonuç & Katkı:Çalışmanın sonucunda doğrusal regresyon temelli algoritmaların BIST30 hisse senedi fiyat hareket yönünü tahmin etmede, nöral ağ ve Poisson regresyonu yöntemlerinin ise kapanış fiyatı değerini tahmin etmede etkili oldukları görülmüştür.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:2014-2016 Verileri
⚙️Değişkenler:Finansal Zaman Serileri · Yapay Zeka · Makine Ogrenmesi

Özet

Finansal varlık fiyatlarının geleceğinin tahmin edilmesi literatür ve uygulamada uzun zamandır ilgi çeken bir konudur. Son yıllarda, borsaya kote şirketlerin hisse senetlerinin fiyat hareketleri öngörme ve geleceğe dönük değerlerini tahmin etme hedefi için yapay zeka algoritmalarının başarılı yöntemler sundukları farklı akademik çalışmalarca ortaya konulmuştur. Belirtilen akademik çalışmaların büyük çoğunluğu yurt dışında bulunan piyasalarda yapılmıştır. Bu durumun geçerliliğini BIST 30 endeksi hisselerinde test etmek için bu çalışmada yedi farklı yapay zeka algoritması programlanmış, 30 hissenin 2014-2016 yılları günlük kapanış fiyatı verileri ile algoritmalar eğitilmiş ve bir firma için üretilen kapanış değerleri tahminleri gerçekleşen değerlerle kıyaslanmıştır. Veri seti için 02/01/2014 ve 30/12/2016 tarihleri arasında işlem yapılan 755 iş günü kullanılmıştır. Kullanılan öğrenme sürelerinin performans üzerindeki etkilerini görmek için öğrenme/tahmin oranları %80/20, %90/10, %99/1 olarak belirlenen üç farklı deney yapılmıştır. Çalışmanın sonucunda doğrusal regresyon temelli algoritmaların BIST30 hisse senedi fiyat hareket yönünü tahmin etmede, nöral ağ ve Poisson regresyonu yöntemlerinin ise kapanış fiyatı değerini tahmin etmede etkili oldukları görülmüştür.

Abstract

Forecasting the future of stock market prices has been an interesting topic for researchers and professionals for a long time. Lately, numerous academic papers have shown that artificial intelligence algorithms generate some successful forecasts for stock prices. Most of these referenced research papers are conducted in markets outside Turkey. To test this hypothesis in BIST 30 index companies, seven different artificial intelligence algorithms have been programmed and trained with a dataset of daily closing prices between 2014 and 2016. The dataset consists of 755 market days starting 02/01/2014 and ending 30/12/2016. Then, forecasted numbers have been compared to actual prices for one particular stock. To see the effects of amount of learning days used to performance, 3 experiments have been conducted with learning to prediction ratios of %80/20, %90/10 and %99/1. In conclusion, it is seen that linear regression-based algorithms perform well to predict the price movements while neural network and Poisson regression algorithms perform well to predict closing price values for BIST 30 stocks.

🔖

Bu Makaleye Atıf Yap

YILDIRIM, E. (2019). Yemek, Ulusal Kimlik ve Milliyetçilik İlişkisi Üzerine: "Çiya" Markası ve "Turquality" Programı Örnekleri Üzerinden Bir Yaklaşım Denemesi. Ekonomi Politika ve Finans Araştırmaları Dergisi, Cilt: 4 - Sayı: 2, 188–203. https://ajindex.com/articles/394331

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Adams, R. (2004). Intelligent advertising. AI & Society, 18, 59-81. https://doi.org/10.1007/s00146-003-0259-9
  2. Alpaydin, E. (2010). Introduction to machine learning. Cambridge, Massachusetts London: The MIT Press.
  3. Altay, E. and Satman, H. (2005). Market forecasting: Artificial neural network and linear regression comparison in an emerging market. Journal of Financial Management and Analysis, 18(2), 18-33. Retrieved from https://papers.ssrn.com/
  4. Arda, E. (2020). Yapay zeka yöntemleri ile finansal zaman serisi öngörüleri (Yayımlanmamış doktora tezi). Başkent Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
  5. Bachelier, L. (1900). Theory of speculation (Yayımlanmamış doktora tezi). Paris: University of Paris. Baciu, O. (2012). Ranking capital markets efficiency: The case of twenty European stock markets. Journal of Applied Quantitative Methods, 9(3), 24-33. Retrieved from http://www.jaqm.ro/
  6. Bayraktar, A. (2012). Etkin piyasalar hipotezi. Aksaray Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(1), 37-47. Erişim adresi: http://aksarayiibd.aksaray.edu.tr/
  7. Benston, G. and Hartgraves, A. (2002). Enron: What happened and what we can learn from it. Journal of Accounting and Public Policy, 21(2), 105-127. https://doi.org/10.1016/S0278-4254(02)00042-X
  8. Çelik, M., Kurtaran, A. ve Kurtaran, A. (2018). Zayıf formda piyasa etkinliğinin Türkiye hisse senedi piyasasında test edilmesi [Özel Sayı]. Uluslararası İktisadi ve İdari İncelemeler Dergisi, 457-474. doi:10.18092/ulikidince.456639 Çelik, T. T. ve Taş, O. (2007). Etkin piyasa hipotezi ve gelişmekte olan hisse senedi piyasaları. İstanbul Teknik Üniversitesi Dergisi, 4(2), 11-22. Erişim adresi: http://itudergi.itu.edu.tr/
  9. Dondurmacı, G. ve Çınar, A. (2014). Finans sektöründe veri madenciliği uygulaması. Akademik Sosyal Araştırmalar Dergisi, 2(1), 258-271. doi:10.16992/ASOS.138 Draper, N. R. and Smith, H. (1998). Applied regression analysis (3. ed.). New Jersey: Wiley Publishing. Enke, D. and Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications, 29(4), 927–940. http://doi.org/https://doi.org/10.1016/j.eswa.2005.06.024
  10. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. doi:10.2307/2325486 Faria, S. and Gonçalves, F. (2013). Financial data modeling by Poisson mixture regression. Journal of Applied Statistics, 40(10), 2150-2162, https://doi.org/10.1080/026647