KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi / 2016 / Cilt: 0 - Sayı: 25/1

BİLGİ İŞLEMSEL ZEKA YÖNTEMLERİ İLE HİSSE SENEDİ FİYAT TAHMİNİ: BİST UYGULAMASI 1

STOCK PRICE FORECASTING WITH COMPUTATIONAL INTELLIGENCE TECHNIQUES: ISE APPLICATION

Mehmet ÖZÇALICI
Yücel AYRIÇAY
Sayfa
274–298
Yayın Tarihi
2022-10-18
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)

Önerilen uzman sistemin, optimize edilmeyen modele göre daha iyi sonuçlar ortaya çıkardığı belirlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın esas amacı bilgi işlemsel zeka yöntemlerinin finansal piyasalarda uygulanmasını sağlamak yoluyla kullanıcının, karmaşık tahmin modeline daha az müdahale ettiği uzman bir sistem tasarlamaktır.
📊
Temel Bulgular & Veri:Uzman sistem + 1 gününe ilişkin fiyat tahminlerini gerçekleştirmek için kullanılmıştır.
💡
Sonuç & Katkı:Önerilen uzman sistemin, optimize edilmeyen modele göre daha iyi sonuçlar ortaya çıkardığı belirlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmanın esas amacı bilgi işlemsel zeka yöntemlerinin finansal piyasalarda uygulanmasını sağlamak yoluyla kullanıcının, karmaşık tahmin modeline daha az müdahale ettiği uzman bir sistem tasarlamaktır. Araştırmacılar hisse senedi fiyatlarının teknik analiz değişkenleri ile birlikte önceden tahmin edilmesi ile ilgili çalışmalar yapmışlardır. Yapay sinir ağları hisse senedi fiyat tahmininde başarıyla kullanılan bilgi işlemsel zeka yöntemlerinden bir tanesidir. Yapay sinir ağları ile fiyat tahmini gerçekleştirilirken, hangi değişkenlerin seçileceğine ve ağ mimarisine kullanıcının karar vermesi gerekmektedir. Bu çalışmada söz konusu parametreleri belirleyecek genetik algoritma tabanlı uzman bir sistem tasarlanmıştır. gününe ilişkin fiyat ve hacim bilgileri kullanmak suretiyle teknik göstergeler hesaplanmıştır. Özellik seçimi ve parametre optimizasyonu genetik algoritma ile eşzamanlı gerçekleştirilmiştir. Uzman sistem + 1 gününe ilişkin fiyat tahminlerini gerçekleştirmek için kullanılmıştır. Önerilen uzman sistemin, optimize edilmeyen modele göre daha iyi sonuçlar ortaya çıkardığı belirlenmiştir.

Abstract

The main aim of this study is to design an expert system where the intervene of the user to the complex forecasting system is minimized by employing computational intelligence techniques in financial markets. Researchers are interested in forecasting stock prices by using technical indicators. Artificial neural networks are one of the soft computing techniques that is used for forecasting stock prices. The user of the neural network must decide the size of the hidden layer and must select the optimal feature subset to obtain the best forecasting performance from network. In this study an expert system which is based on genetic algorithms is designed to optimize the parameters of the network. Technical indicators are calculated using price and volume information of day t. Feature selection and parameter optimization is handled simultaneusly by using genetic algorithms. Expert system is used to forecast closing prices of day t+1. The results indicate that optimized model outperformed the alternative model in terms of statistical performance.

🔖

Bu Makaleye Atıf Yap

ÖZÇALICI, M., AYRIÇAY, Y. (2022). BİLGİ İŞLEMSEL ZEKA YÖNTEMLERİ İLE HİSSE SENEDİ FİYAT TAHMİNİ: BİST UYGULAMASI 1. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 0 - Sayı: 25/1, 274–298. https://ajindex.com/articles/587793

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Adebiyi, A., Ayo, C., Adebiyi, M. ve Otokiti, S. (2012). "Stock Price Prediction Using Neural Network with Hybridized Market Indicators", Journal of Emerging Trends in Computing and Information Sciences, 3/1, 1-9.
  2. Altay, E. ve Satman, M.H. (2005). "Stock Market Forecasting: Artificial Neural Network and Linear Regression Compariosn in an Emergin Market", Journal of Financial Management and Analysis, 18/2, 18-33.
  3. Armano, G., Marchesi, M. ve Murru, A. (2005). "A Hybrid Genetic-Neural Architecture for Stock Indexes Forecasting", Information Sciences, 170, 3-33.
  4. Atsalakis, G.S., Dimitrakakis, E.M. ve Zopounidis, C.D. (2011). "Elliot Wave Theory and Neuro-Fuzzy Systems, in Stock Market Prediction: The WASP System", Expert Systems with Applications, 38/8, 9196-9206.
  5. Atsalakis, G.S. ve Valavanis, K.P. (2009). "Forecasting Stock Market Short-Term Trends Using a Neuro-Fuzzy Based Methodology", Expert Systems with Applications, 36/7, 10696-10707.
  6. Aygören, H., Saritaş, H. ve Moralı, T. (2012). "IMKB100 Endeksinin Yapay Sinir Ağları ve Network Nümerik Arama Modelleri ile Tahmini", Uluslararası Alanya İşletme Fakültesi Dergisi, 4/1, 73-88.
  7. Brealey, R.A., Myers, S.C. ve Marcus, A.J. (2012). Fundamentals of Corporate Finance, 7. Baskı,
  8. McGrawHill, New York. Chang, P.C., Wang, D.D. ve Zhou, C.L. (2012). "A Novel Model by Evolving Partially Connected Neural Network for Stock Price Trend Forecasting", Expert Systems with Applications, 39/1, 611-620.
  9. Chen, S.H., Wang, P.P. ve Kuo, T.W. (2007). Computational Intelligence in Economics and Finance, Springer, Berlin. Cheng, C.H., Chen, T.L. ve Wei, L.Y. (2010). "A Hybrid Model Based on Rough Sets Theory and Genetic Algorithms for Stock Price Forecasting", Information Sciences, 180/9, 1610-1629.
  10. Diler, A.İ. (2003). "İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi", İstanbul Menkul Kıymetler Borsası Dergisi, 7/(25-26), 65-82.
  11. Edwards, R.D., Magee, J. ve Bassetti, W.H.C. (2007). Technical Analysis of Stock Trends, 9. Bası, Taylor & Francis, New York. Erdoğan, E. ve Özyürek, H. (2012). "Yapay Sinir Ağları ile Fiyat Tahminlemesi", Sosyal ve Beşeri Bilimler Dergisi, 4/1, 85-92.
  12. Fama, E. (1969). "Efficient Capital Markets: A Review of Theory and Empirical Work", The Journal of Finance, 25/2, 383-417.
  13. Gen, M. ve Cheng, R., (2000). Genetic Algorithms and Engineering Optimization, Wiley & Sons, New York, 511s. Güngör, B. ve Tortu, A. (2007). Esnek Hesaplama Teknikleri ile Hisse Senedi Fi