KaydedilenlerDerginizi ekleyin

Dergiler / Anadolu Üniversitesi Sosyal Bilimler Dergisi / 2017 / Cilt: 17 - Sayı: 3

Hisse Senedi Fiyat Tahmininde Genetik Algoritma ile Değişken Seçimi

Yrd. Doç. Dr. Mehmet ÖZÇALICI
Sayfa
109–124
Yayın Tarihi
2017-09-15
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)

Çalışmada elde edilen başarılı sonuçlar, önerilen yöntemin hisse senedi fiyat tahmininde karar destek sistemi olarak kullanılabileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Öz Hisse senedi fiyatı yön tahmini, piyasaların sahip olduğu karmaşık yapı itibariyle zor bir problemdir ve bu nedenle de araştırmacıların ilgisini çeken bir konudur.
📊
Temel Bulgular & Veri:Yapılan çalışmalar araştırıldığında genetik algoritma (GA) tabanlı DVM yönteminde farklı kernel fonksiyonlarının performansı ve farklı sayılardaki değişkenlerin tahmin performansının detaylı bir şekilde incelenmediği ortaya çıkmıştır.
💡
Sonuç & Katkı:Çalışmada elde edilen başarılı sonuçlar, önerilen yöntemin hisse senedi fiyat tahmininde karar destek sistemi olarak kullanılabileceğini göstermektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:10 adet
⚙️Değişkenler:Anahtar Kelimeler Hisse Senedi Fiyat Tahmini · Teknik Analiz Göstergeleri · Genetik Algoritmalar

Özet

Öz Hisse senedi fiyatı yön tahmini, piyasaların sahip olduğu karmaşık yapı itibariyle zor bir problemdir ve bu nedenle de araştırmacıların ilgisini çeken bir konudur. Hisse senedi fiyat tahmininde kullanılan yöntemlerden bir tanesi destek vektör makineleridir (DVM) ve literatürde başarılı bir şekilde kullanıldığı görülmektedir. DVM ile başarılı bir tahmin çalışması gerçekleştirmek için kullanılacak girdi değişkenlerinin dikkatli bir şekilde seçilmesi gerekmektedir. Genetik algoritma, DVM için değişken seçiminde kullanılan yöntemlerden bir tanesidir. Yapılan çalışmalar araştırıldığında genetik algoritma (GA) tabanlı DVM yönteminde farklı kernel fonksiyonlarının performansı ve farklı sayılardaki değişkenlerin tahmin performansının detaylı bir şekilde incelenmediği ortaya çıkmıştır. Bu açığı kapatmak için emtia tabanlı bir fonun tarihi fiyat bilgileri kullanılmış ve GA-DVM yöntemi ile değişken seçimi gerçekleştirilmiştir. En yüksek doğru tahmin oranı, 10 adet değişkenin seçildiği doğrusal kernel fonksiyonuna sahip DVM modelinde gerçekleştiği ortaya çıkmıştır. Aynı zamanda modellerin yarısından fazlasında al ve tut stratejisinden daha yüksek oranda bir getiri sağlamak mümkün olmuştur. Çalışmada elde edilen başarılı sonuçlar, önerilen yöntemin hisse senedi fiyat tahmininde karar destek sistemi olarak kullanılabileceğini göstermektedir.

🔖

Bu Makaleye Atıf Yap

ÖZÇALICI, Y. D. D. M. (2017). Hisse Senedi Fiyat Tahmininde Genetik Algoritma ile Değişken Seçimi. Anadolu Üniversitesi Sosyal Bilimler Dergisi, Cilt: 17 - Sayı: 3, 109–124. https://ajindex.com/articles/9200

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Abolhassani, A.M.T. ve Yaghoobi, M. (2010). Stock price forecasting using PSOSVM. 3rd International Conference on Advanced Computer Theory and Engineering 3:V3-352-V3-356. Akar, C. (2007). Volatilite modellerinin öngörü performansları: ARCH, GARCH ve SWARCH karşılaştı- rılması, İşletme Fakültesi Dergisi, 8(2):201-217.
  2. Atsalakis, G.S. ve Valavanis, K.P. (2010). Surveying Stock Market Forecasting Techniques – Part I: Conventional Methods, Journal of Computation Optimization in Economics and Finance, 2 (2). Atsalakis, G.S., Dimitrakakis, E.M. ve Zopounidis, C.D. (2011). Elliott Wave Theory and neurofuzzy systems in stock market prediction: The WASP System, Expert Systems with Applications, 38(8):9196-9206.
  3. Atsalakis, G.S. ve Valavanis, K.P. (2009). Surveying stock market forecasting techniques – Part II: Soft computing methods, Expert Systems with Applications, (36):5932-5941.
  4. Dimson, E. ve Mussavian, M. (1998).
  5. A brief history of market efficiency, European Financial Management, 4(1):91-193.
  6. Edwards, R.D., Magee, J. ve Bassettı, W.H.C. (2007). Technical Analysis of Stock Trends, 9. Bası, Taylor & Francis, New York. Fama, F. (1965a).
  7. Random walks in stock market prices, Financial Analyst Journal, 51(1):55-59.
  8. Fama, F. (1965b).
  9. The Behaviour of stock-market prices, The Journal of Business, 38(1):34-105.
  10. Fama, F. ve French, K. (1988). Dividend yields and expected stock returns, Journal of Financial Economics, (22):3-25.
  11. Guyon, I. ve Elisseeff, A. (2003). An introduction to variable and feature selection, Journal of Machine Learning Research, (3):1157-1182.
  12. Han, H. ve Jiang, X. (2014). Overcome support vector machine diagnosis overfitting, Cancer Informatics, 13(S1):145-158.
  13. Holland, J.H., (1992). Adaptation in Natural and Artificial Systems, THE MIT Press,
  14. London. Jensen, R. ve Shen, Q., (2008). Computational Intelligence and Feature Selection Rough and Fuzzy Apporaches, IEEE Press,
  15. New Jersey. Ince, H. ve Trafalis, T.B. (2007). Kernel principal component analysis and support vector machines for stock price prediction, IIE Transactions, 39:629- 637. Kara, Y., Boyacıoğlu, M.A. ve Baykan, Ö.K., (2011). Predicting direction of stock price ındex movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange, Expert Systems with Applications, 38 (5), ss. 5311-5319.
  16. Karabacak, M., Meçik, O. ve Genç, E. (2014). Koşullu değişen varyans modelleri ile BİST 100 endeks getirisi ve altın getirisi volatilitesinin tahmini. Ul