Büyük Dünya Endeksleri Kullanılarak BIST-100 Endeksi Değişim Yönünün Makine Öğrenmesi Algoritmaları ile Sınıflandırılması

Classification of BIST-100 Index Change Direction with Machine Learning Algorithms Using Major World Indexes

Özet

Borsa İstanbul 100 (BIST-100) endeksi, diğer büyük dünya endeksleri ile birlikte finans piyasalarının küreselleşme değişiminin bir parçası olmuştur. Endeksler arasındaki ilişkinin analizi yatırımcılara büyük avantajlar sağlayacaktır. Bu durumdan yola çıkarak çeşitli makine öğrenmesi algoritmaları ile büyük dünya endeksleri ve bazı makroekonomik göstergeler kullanılarak BIST-100 endeksinin değişim yönünün (artış-azalış) sınıflandırılması amaçlanmıştır. Bu amaç doğrultusunda BIST-100 endeksinin değişim yönünün sınıflandırmasında etkin rol oynayan değişkenler belirlenmiş ve belirlenen bu değişkenler yardımıyla sınıflandırma başarılarında değişim olup olmadığı incelenmiştir. Tüm değişkenler ile yapılan sınıflandırmada lojistik regresyonun %70,6; öznitelik seçimi ile yapılan sınıflandırmada da Destek Vektör Makinesi PUK çekirdeği algoritmasının %71,9 daha doğru sınıflandırma başarısı gösterdiği belirlenmiştir. Böylelikle daha az sayıda değişken ile daha yüksek sınıflandırma başarısı elde edilmiştir.

Abstract

Borsa Istanbul 100 (BIST-100) index has become a part of the globalization of the financial markets along with other major world indexes. The analysis of this relationship will bring great advantages to investors. For this purpose, it is aimed to classify the change (increase-decrease) of the BIST-100 index with machine learning algorithms using major world indexes and some macroeconomic indicators. In first step, effective variables in the classification of the BIST-100 index were determined. In the next step, with the help of these variables, it was examined whether there was a change in classification success. The classification with all variables, logistic regression’s classification success was 70.6%. Support Vector Machine PUK core algorithm showed 71.9% correct classification success with selected features. Thus, higher classification success was achieved with less number of variables.