Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuç olarak, daha az giriş değişkeni kullanarak bu modelin aynı başarıyı sağlayabileceği ve yatırımcılar ve şirketlerinriskinin azaltılmasında kullanılabileceği gösterilmiştir.
📌 3 Maddede Bu Makale
Özet
Bu çalışmada, şirket hisselerinin getiri oranı (HGO) uyarlamalı sinirsel bulanık sonuç çıkarım sistemi (ANFIS) yardımıyla tahmin edilmiştir. Bu amaç için, ANFIS’in giriş ve çıkış değişkenleri için hazırlanan finansal oranlar verisi 2003 2007 yılları arasında IMKB 100 içerisinde yer alan 40 sanayi şirket tarafından açıklanan bilanço ve gelir tablosu kalemlerinden elde edilmiştir ve elde edilen veri ANFIS’e uygulanmıştır. Gerçekleştirilen deneyde, ANFIS tarafından tahmin edilen değerlerle HGO’nun gerçek değerleri karşılaştırılmıştır ve 14 giriş değişkeni arasından anlamlı bulunan 4 giriş değişkeni ANFIS’e uygulanmak için saptanmıştır. Anlamlı bulunan bu giriş değişkenleri kullanılarak aynı deney gerçekleştirildiğinde, ANFIS modeli yaklaşık aynı tahminleme başarısına ulaşmıştır. Sonuç olarak, daha az giriş değişkeni kullanarak bu modelin aynı başarıyı sağlayabileceği ve yatırımcılar ve şirketlerinriskinin azaltılmasında kullanılabileceği gösterilmiştir.
Abstract
In this study, the stock return rate of the company shares was estimated by means of the adaptive neuro fuzzy inference system (ANFIS). For this aim, the data of financial ratios prepared for the input and output variables of the ANFIS was obtained by using the proportion parameters from the items of balance sheet and income statement of the ISE 100 companies in the industry between the years of 2003 and 2007 announced by 40 companies, and the obtained data was applied into the ANFIS. In the implemented experiment, the values estimated by the ANFIS were compared with the real values of the stock return rate, and significant 4 input variables among 14 input variables were determined to apply into the ANFIS. When the same experiment was implemented by using these determined significant input variables, the ANFIS model reached to approximately same estimation success. As a result, we showed that this model provides the same success by using less number of input variables and it can be used for decreasing the risk of companies and investors.