Forecasting İstanbul stock exchange

Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (SVM) gibi makine öğrenme yöntemlerinin finans alanında birçok uygulaması vardır. Bu uygulamaların çoğunluğu, hisse senedi fiyatının veya döviz kuru hareket tahmininin popüler sorunlarına odaklanmakta, ancak kurumsal iflas öngörüsü, kurumsal tahvil sınıflandırması ve diğer alanlardaki uygulamalar da literatürde ortaya çıkmaktadır. Makine öğrenme yöntemlerini kullanmanın ardındaki neden, istatistiksel yöntemlerle karşılaştırıldığında varsayımları açısından esnek olan güçlü sınıflandırıcılar olmasıdır. Makine öğrenimi sınıflandırıcılarının esnekliği, onları hisse fiyat tahmini için başvurmak için yararlı bir araç haline getirir. Bu çalışma, iki yeni model önermektedir; ikincisi, ilkinin kısıtlı bir versiyonudur. Modeller, BIST100, İstanbul Menkul Kıymetler Borsası -Türkiye'de en çok işlem gören hisse senedi olan GARAN (Garanti Bankası A.Ş.) için 5 gün önceden alış / satış sinyalleri üretmektedir. Birinci model, küresel makroekonomik göstergelerin yanı sıra yerel girdileri de içermekte olup, ikinci model ise daha çok yerel girdilere odaklanmaktadır. İki modelin performansları, Destek Vektor Makineleri (SVM), Geri Yayılımlı Sinir Ağı (BPN) ve Karar Ağacı (DT) algoritmaları kullanılarak test edilmiştir. BPN ve SVM daha önce BIST100 Endeks hareketini tahmin etmek için kullanılmasına rağmen, DT bu amaçla daha önce kullanılmamıştır. Önerilen tüm modellerin performansı yaklaşık 6 aylık bir süre için test edilmiş ve test dönemi boyunca yatırım getirisini hesaplamak için alım / satım sinyallerine dayalı basit bir ticaret stratejisi uygulanmıştır. Her üç algoritma da bir sonraki hafta için günlük alım / satım sinyalleri oluşturmak için güncellenmiş verilerle haftalık olarak yeniden çalıştırılmıştır. Sonuçlar, DT'nin her iki modeli de kullanarak yaklaşık yüzde 80 tahmin doğruluğu olduğunu ve yüzde 60'a kadar tahmin doğruluğu olan BPN ve SVM'den daha iyi performans gösterdiğini göstermektedir.