KaydedilenlerDerginizi ekleyin

Dergiler / Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi / 2009 / Cilt: 26 - Sayı: 1

YAPAY SİNİR AĞLARI MODELLERİ İLE HİSSE SENEDİ GETİRİ TAHMİNLERİ

STOCK RETURN FORECASTS WITH ARTIFICIAL NEURAL NETWORK MODELS

Emin AVCI
Sayfa
443–461
Yayın Tarihi
2015-03-11
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)

Fakat söz konusu modellerle İMKB’de işlem gören hisse senetlerinin getirileri tahmin edilebilirliği üzerine bulgular bulunmamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İstanbul Menkul Kıymetler Borsası (İMKB) endekslerinin yapay sinir ağları modelleri ile tahmin edilebilirliği çeşitli çalışmalarda irdelenmiştir.
📊
Temel Bulgular & Veri:Bu çalışmada yapay sinir ağları modellerinin, IMKB-30 endeksi içersinden seçilmiş hisse senetlerinin günlük getirilerini tahmin güçleri araştırılacaktır.
💡
Sonuç & Katkı:Fakat söz konusu modellerle İMKB’de işlem gören hisse senetlerinin getirileri tahmin edilebilirliği üzerine bulgular bulunmamaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Sinir Ağları Modelleri · Hisse Senedi Getirilerinin Tahmin Edilmesi · Çok katmanlı Algılama Modelleri

Özet

İstanbul Menkul Kıymetler Borsası (İMKB) endekslerinin yapay sinir ağları modelleri ile tahmin edilebilirliği çeşitli çalışmalarda irdelenmiştir. Fakat söz konusu modellerle İMKB’de işlem gören hisse senetlerinin getirileri tahmin edilebilirliği üzerine bulgular bulunmamaktadır. Bu çalışmada yapay sinir ağları modellerinin, IMKB-30 endeksi içersinden seçilmiş hisse senetlerinin günlük getirilerini tahmin güçleri araştırılacaktır. Modellerin tahmin güçleri,işlem karlılık ölçütü doğrultusunda değerlendirilecektir. Çalışmanın sonuçları yapay sinir ağları modellerinin incelenen dönemlerin büyük çoğunluğunda al-ve-tut stratejisine üstünlük sağladıklarını göstermiştir.

Abstract

Although several studies have examined the power of the artificial neural network models in predicting Istanbul Stock Exchange (ISE) indexes, there is no evidence on the predictive power of these models for ISE traded stock returns. This paper intends to examine the power of neural network models in prediction of daily returns of the selected stocks from ISE-30 index. The performance of the neural network models are evaluated by trading profits. The results of the study presented that the neural network models could beat the buy-and-hold strategy for most of the periods under investigation.

🔖

Bu Makaleye Atıf Yap

AVCI, E. (2015). YAPAY SİNİR AĞLARI MODELLERİ İLE HİSSE SENEDİ GETİRİ TAHMİNLERİ. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, Cilt: 26 - Sayı: 1, 443–461. https://ajindex.com/articles/6698

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. ADYA, M. and F. COLLOPY, “How effective are neural networks at forecasting and prediction? A review and evaluation”, Journal of Forecasting, 17, 1998, s. 487-495.
  2. ALTAY, Erdinç and M. Hakan SATMAN, “Stock Market Forecasting: Artificial Neural Networks and Linear Regression Comparison in an Emerging Market”, Journal of Financial Management and Analysis, 18(2), 2005, s.18-33.
  3. AVCI, Emin, “Forecasting Daily and Sessional Returns of the ISE-100 Index with Neural Network Models”, Doğus Üniversitesi Dergisi, 8(2), 2007, s. 128-142.
  4. CALLAN, R., The Essence of Neural Networks, Essex, Prentice Hall, 1999.
  5. CHEN, K.Y., “Evolutionary Support Vector Regression Modeling for Taiwan Stock Exchange Market Weighted Index Forecasting”, Journal of American Academy of Business, 8(1), 2006, s. 241-247.
  6. ÇİNKO, Murat and Emin AVCI, “A Comparision Of Neural Network and Linear Regression Forecasts Of The ISE-100 Index”. Marmara Üniversitesi Sosyal Bilimler Enstitüsü Öneri Dergisi, 7(28), 2007, s. 301-307.
  7. CYBENKO, G., “Approximation by Superpositions of a Sigmoidal Function”, Mathematics of Control. Signal and Systems, 2, 1990, s. 303-314.
  8. DARRAT, A.F. and M. ZHONG, “On testing the Random -Walk Hypothesis: Model Comparison Approach”, The Financial Review, 35(3), 2000, s.105-124.
  9. DEBOECK, G.J. and M. CADER, “Pre- and Postprocessing of Financial Data”, Trading on the Edge, Ed. Guido J. Deboeck, New York, John Wiley & Sons Inc., 1994, s. 27-45.
  10. DESAI, V.S. and R. BHARATI, ”A Comparison of Linear regression and Neural Network Methods for Predicting Excess Returns on Large Stocks”, Annals of Operations Research, 78, 1998a, s.127-163.
  11. DESAI, V.S. and R. BHARATI, “The Efficiency of Neural Networks in Predicting Returns on Stock and Bond Indices”, Decision Sciences, 29(2), 1998b, s.405-425.
  12. DİLER, Ali İhsan, “İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi, 25-26, 2003, s.65-81.
  13. DROPSY, V., “Do Macroeconomic Factors Help in Predicting International Equity Risk Primia?: Testing the Out-of-Sample Accuracy of Linear and Nonlinear Forecasts” Journal of Applied Business Research, 12(3), 1996, s.120-127.
  14. EAKINS, S.G. and S.R. STANSELL, “Can Value Based Stock Selection Yield Superior Risk-Adjusted Returns: An Application of Neural Networks”, International Review of Financial Analysis, 12(1), 2003, s.83-97.
  15. EGELİ, Birgul, et.al., “Stock Market Prediction Using Artificial Neural Networks”, Proceedings of the 3rd Hawaii International