Dalgacık dönüşümü ve destek vektör makineleri ile tahmin: BIST üzerine bir uygulama

Temelde sinyal analizinde kullanılan bir yöntem olan dalgacık dönüşümü ile veri madenciliği yöntemlerinden bir yapay öğrenme algoritması olan destek vektör makineleri yöntemlerinin birlikte finansal zaman serileri üzerinde kullanılmasının amaçlandığı bu çalışmada; teknik göstergeler, yurtdışı borsa endeksleri, makroekonomik göstergeler ve haftanın günleri gibi bağımsız değişkenler kullanılarak BIST 100 endeksinin yönü tahmin edilmektedir. Analizde, 15 Ekim 1997 tarihi ile 30 Aralık 2014 tarihleri arasındaki borsanın açık olduğu işgünlerini kapsayan 4296 günlük gözlem veri seti kullanılarak günlük, haftalık ve aylık veri setleri oluşturulmuştur. Çalışmada günlük, haftalık ve aylık periyotlarda değişken seçme yöntemleri (temel bileşen analizi, k-en yakın komşuluk, korelasyon, lojistik regresyon, kısmi en küçük kareler, rastgele orman algoritması) yardımıyla çeşitli modeller oluşturulmuş, ayrıca tüm değişkenlerin yer aldığı modeller de oluşturulmuştur. Çalışmanın amacı doğrultusunda; geliştirilen ham ve dalgacık modellerin borsa endeksi üzerindeki tahmin performansları ölçülerek dalgacık dönüşümünün destek vektör makinelerinin tahmin performansına etkisi incelenmiş ve dalgacık dönüşümünün destek vektör makinelerinin tahmin performansını belirgin şekilde artırdığı saptanmıştır. Elde edilen analiz sonuçlarına göre; BIST 100 endeksinin yönünü en iyi tahmin eden modelin günlük veri setindeki tüm teknik gösterge, yurtdışı borsa endeksleri, makroekonomik göstergeler ve gün değişkenlerinden oluşan Dalgacık TÜM55 modeli (%90,84) olduğu, bu modelin ham veri setindeki (%56,90) tahmin oranını yaklaşık %60 artırdığı tespit edilmiştir. Haftalık modellerde ise en yüksek tahmin performansı, lojistik regresyon ile seçilen H-LR<,20 ve H-LR<,05 dalgacık modelleriyle (%84,62) elde edilmiş; aylık modellerde en yüksek tahmin performansı ise k-en yakın komşuluk ile seçilen A-KNN20 ve lojistik regresyon ile seçilen A-LR<,10 dalgacık modellerinde (%74,36) gerçekleşmiştir. Ayrıca elde edilen modellerin tahmin performansları değerlendirildiğinde; günlük veri setinde değişken seçimi ile elde edilen değişkenler kullanılarak haftalık ve aylık modellerin oluşturulabileceği, haftalık ve aylık veri setlerinde ayrıca değişken seçimi yapılmasına gerek olmadığı sonucu elde edilmiştir. Diğer bir önemli sonuç ise, dalgacık dönüşümünün yön tahmininde ham veri setinde karşılaşılan azalış yönündeki sınıflandırma hatalarını azaltarak, artış ve azalışların birbirine yakın oranlarda sınıflandırılmasını sağlamasıdır.