KaydedilenlerDerginizi ekleyin

Dergiler / Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2017 / Cilt: 39 - Sayı: 1

Classification Of BIST -100 Index’ Changes Via Machine Learning Methods

Enes FİLİZ
Ersoy ÖZ
Sayfa
117–129
Yayın Tarihi
2017-07-19
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)

As a result of the transactions performed via Wekaprogram, the most successful methods in order are C4.5 classifier algorithm (66.2%) and logistic regressionanalysis (65.9%).

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:The changes in BIST-100 index are economically crucial.
📊
Temel Bulgular & Veri:In this study, classifications will be made withthe assumption that the changes in BIST-100 index are dependent on certain factors.
💡
Sonuç & Katkı:As a result of the transactions performed via Wekaprogram, the most successful methods in order are C4.5 classifier algorithm (66.2%) and logistic regressionanalysis (65.9%).
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:BIST-100 Index · Machine Learning Methods · Classification

Özet

The changes in BIST-100 index are economically crucial. In this study, classifications will be made withthe assumption that the changes in BIST-100 index are dependent on certain factors. The classifiers to beused are k-nearest neighbor algorithm, naive Bayes Classifier, logistic regression and C4.5 classifier fromthe machine learning methods. Factors affecting the change of BIST-100 index values are deemed as Euro/Dollar Parity, Gold value (ounce), Crude Oil Prices, Monthly Interest Rates, Inflation Data and DAX,FTSE, S&P 500 that are widely used in the literature. As a result of the transactions performed via Wekaprogram, the most successful methods in order are C4.5 classifier algorithm (66.2%) and logistic regressionanalysis (65.9%).

🔖

Bu Makaleye Atıf Yap

FİLİZ, E., ÖZ, E. (2017). Classification Of BIST -100 Index’ Changes Via Machine Learning Methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 39 - Sayı: 1, 117–129. https://ajindex.com/articles/6391

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. AKTAŞ, Cengiz, Lojistik Regresyon Analizi: Öğrencilerin Sigara İçme Alışkanlığı Üzerine Bir Uygulama,Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (26), 2009, p. 107-121.
  2. ALBAYRAK, Ali Sait, Uygulamalı Çok Değişkenli İstatistik Teknikler, Asil Yayın Dağıtım Ltd. Şti., Ankara, 2006.
  3. ALBAYRAK, Ali Sait; Koltan Yılmaz, Şebnem, Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama, Süleyman Demirel University The Journal of Faculty of Economics Administrative Sciences, 14, 1, 2009, p. 31-52.
  4. AMASYALI, M. Fatih; Diri, Banu; Türkoğlu Filiz, Farklı Özellik Vektörleri İle Türkçe Dökümanların Yazarlarının Belirlenmesi, TAINN-2006.
  5. ATASOY, Dinçer, Lojistik Regresyon Analizinin İncelenmesi ve Bir Uygulaması, Graduate thesis, Cumhuriyet University, Institute of Social Sciences, Sivas, 2001.
  6. BALABAN, Mehmet Erdal.; Kartal, Elif, Veri Madenciliği Ve Makine Öğrenmesi, Çağlayan Kitabevi, 2015.
  7. BALI, Selçuk; Cinel, Mehmet Ozan, Altın fiyatlarının İMKB 100 endeksi’ne etkisi ve bu etkinin ölçümlenmesi, Ataturk University Journal of Economics and Administrative Sciences, 25, 3-4, 2011, p. 45-63. BİGPARA Web Page, http://www.bigpara.com, Access Date: 02.12.2016.
  8. BULUT, Faruk, Dengesiz Veri Setlerinde Denetimli Öğrenicilerin Başarım Değerlendirmesi, IEEE, 978- 1-4673-8654-8/15/$31.00, 2016.
  9. ÇOKLUK, Ömay, Lojistik regresyon Analizi: Kavram ve Uygulama, Educational Sciences: Theory & Practice, 10(3), 2010, p. 1357-1407.
  10. EGE, İlhan; Bayrakdaroğlu, Ali, İMKB şirketlerinin hisse senedi getiri başarılarının lojistik regresyon tekniği ile analizi, Zonguldak Karaelmas University Journal of Social Sciences, 5, 10, 2009, p.139-158.
  11. ERDAL, Hamit; Makine öğrenmesi yöntemlerinin inşaat sektörüne katkısı: basınç dayanımı tahminlemesi, Pamukkale University Journal of Engineering Sciences, 21(3), 2015, p. 109-114. INVESTİNG Web Page, http://tr.investing.com, Access Date: 13.12.2016.
  12. KAVZAOĞLU, Taşkın; Çölkesen, İsmail, Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi, Harita Dergisi, 144, 2010, p. 73-82.
  13. KOYUNCUGİL, Ali Serhan; Özgülbaş, Nermin, İMKB’de işlem gören kobi’lerin güçlü ve zayıf yönleri: CHAID karar ağacı uygulaması, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23, 1, 2008, p. 1-21.
  14. McCALLUM, A.; Nigam, K., A Comparison of Event Models For Naive Text Classification, AAAI-98 Workshop On Learning For Text Categorization, 752, 1998, p. 41-48.
  15. MERAL, Meri