Büyük veri ve finansal piyasalarda istatistiki makine öğrenmesi metodlarının yatırım kararlarında kullanılması

Bu tez çalışmasının amacı BİST100 endeksinin gün içindeki maksimum fiyatının tahmin edilmesidir. Bu kapsamda, makine öğrenmesi yöntemleri kullanılarak oluşturulan modellerden yatırım stratejileri geliştirilmesi hedeflenmiştir. Zaman serisi analizi olarak ele alınabilecek olan BİST100 endeksinin tahmin edilmesi, finansal kararların verilmesinde ve bu kararlarla oluşturulan yatırım stratejileriyle getiri elde edilmesinde önemli bir yere sahiptir. Makine öğrenmesi yöntemleriyle sermaye piyasalarında varlık fiyatlarının tahminine yönelik birçok çalışma literatürde mevcuttur. Günlük trendin tahmini ve kapanış fiyatının tahmini genel olarak uygulama alanlarıdır. Bu çalışmada, hem kullanılacak makine öğrenmesi yönteminin geliştirilmesi, hem de gün içi maksimum fiyatı kullanılarak, veri setinin genişletilmesiyle yatırım stratejisi modeli farklılaştırılmıştır. BİST100 endeksinin gün içi en yüksek fiyatının tahmin edilmesinde dört ve beş yıllık uzunluğa sahip veri setleri kullanılmıştır. Bu sayede modelin başarısı iki ayrı veri seti ile test edilmiştir. Endeksin tahmininde; tahminci olarak endeksin geçmiş verileri gecikmeli olarak kullanılmıştır. Bununla birlikte, tahminci veri setinde; döviz kuru, faiz oranları, emtia ve CDS gibi ekonomik ve dışsal faktörlerde ele alınmıştır. Çalışmada iki ayrı makine öğrenmesi tekniği kullanılarak kapsam genişletilmiştir. Bunlar, literatürde öne çıkan Yapay Sinir Ağları ve XGBoost modelleridir. Modellerin karşılaştırılmasında literatürde yaygın kullanılan performans ölçütleri kullanılmıştır. Bunlardan bazıları; Ortalama Mutlak Hata (MAE), Sinyal Doğruluğu (SA), Ortalama Kare Hata (MSE) ve Kök Ortalama Kare Hata (RMSE)'dır. Ampirik çalışma sonucunda, XGBoost yönteminin bu durumda Yapay Sinir Ağlarına göre daha iyi performans gösterdiğine yönelik bulgular elde edilmiştir. Çalışma kapsamında oluşturulan yatırım stratejileri elde edilen model performansları ışığında oluşturulmuştur. XGBoost ile oluşturulan yatırım stratejileri, aynı dönem aralığında yapılacak pasif yatırıma göre, daha iyi sonuç verdiği tespit edilmiştir. Modellerin tahmin gücünün artırılması için yapılan denemelerde, aynı günün açılış fiyatının tahminci veri setine eklenmesi, modellerin performansını artırmıştır.