Return prediction in Turkish stock market via machine learning

Bu çalışmada, İstanbul Menkul Kıymetler Borsası'nda (Borsa İstanbul) işlem gören Türk hisse senetlerinin hisse senedi getirilerini tahmin etmek için makine öğrenimi yöntemleri karşılaştırılmıştır. Ana makine öğrenimi modeli olarak Enstrümanlı Temel Bileşen Analizini (IPCA) ve kıyaslama modeli olarak Fama-French Faktör Modelini kullanılmıştır. IPCA modeli, model içinde tahmin edilen gözlemlenebilir stok düzeyi ve firma düzeyi özellikleri ve gizli ortak faktörlere dayalı olarak stok düzeyinde beklenen getirileri üretir. Modelde stok düzeyi özellikleri faktör betalarını, yani hisse senedi getirilerinin gizli ortak faktörlerle kovaryanslarını belirler. Hisse senedi tahmini karşılaştırmalı analizi için 3 ila 5 faktör Fama-French modelleri kullanılmıştır. IPCA modelinde 3 ila 6 faktör kullanılmış ve 10 karakteristik kullanır. Örneklem, BIST TUM Endeksindeki tüm hisse senetlerini kapsıyor ve örnekleme dönemi, 2010 ile 2022 arasındaki tahminleri içeriyor. Borsa İstanbul BIST TUM Endeksi'nde yer alan 252 firmanın panel verilerini kullanarak IPCA ve Fama-French modellerinin karşılaştırmalı performansları analiz edilmiştir. Daha spesifik olarak, her bir hisse senedinin gerçekleşen ve tahmin edilen seri getirilerini karşılaştırarak modellerin örnek içi ve örnek dışı performanslarına bakılmıştır. IPCA modelinin, örnek R-kare düzeylerinden ve getiri tahminleri ile gerçekleşen getirilerin korelasyonundan önemli ölçüde daha yüksek elde ederek Fama-French modelinden önemli ölçüde daha iyi performans gösterdiğini bulunmuştur. Fama-French ve IPCA modelleri arasındaki performans farkı, ABD borsası için (Kelly, Pruitt and Su 2018) sonuçlarına kıyasla Türkiye borsasında daha belirgindir. Bu nedenle, sonuçlarım, makine öğrenimi tekniklerine dayalı varlık fiyatlandırma modellerinin kullanımının gelişmekte olan ülke borsalarında daha iyi sonuçlar sağlayabileceğini ima ediyor.