Araştırma Makalesi
BibTex RIS Kaynak Göster

Prediction of Bank Stocks Price with Machine Learning Techniques

Yıl 2019, Cilt: 12 Sayı: 2, 30 - 39, 17.12.2019

Zinnet Duygu Akşehir Erdal Kılıç

Öz

It is a difficult problem to predict the one-day next
closing price of bank stocks. Because there are many factors affecting stock
prices. In this study, using data from 1 January 2016 to 9 May 2019 date and  some bank stocks have been tried to predict the closing prices of the next
day.  The decision tree, multiple
regression, and random forest methods were used in developing the estimation model
due to finding linear patterns in stock movements. Two different sets of input
variables were used for the models created with these methods. There are 50
indicators consisting of 46 techniques and 4 fundamental indicators in the
first input variable set. The second input variable set, as a result of the
reduction in technical indicators there is a total of 33 indicators consisting
of 29 technical indicators and 4 basic indicators. For these two different
input variable sets, the estimation performance of both models was evaluated by
the R2 criteria. When the R2 results were analyzed, it was seen that the reduction in
the technical indicator had a positive effect on the predictive performance of
the models.

Anahtar Kelimeler

prediction stock price decision tree multiple regression random forest technical and basic indicators

Kaynakça

  • [1] Akel, V., & Bayramoğlu, M. F. Kriz Dönemlerinde Yapay Sinir Ağları ile Finansal Öngörüde bulunma: İMKB 100 Endeksi Örneği. International Symposium on International Capital Flows and Emerging Markets, 24-28 Nisan 2008, Balıkesir, Bandırma.
  • [2] Karaatlı, M., Güngör, İ., Demir, Y., & Kalaycı, Ş. Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 2005, 3(3), 38-48.
  • [3] Kutlu, B., & Badur, B. Yapay Sinir Ağları ile Borsa Endeksi Tahmini. Yönetim, 2009, 20(63), pp. 25-40.
  • [4] Diler, A. İ. İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hatayı Geriye Yayma Yöntemi ile Tahmin Edilmesi. İMKB Dergisi, 2003, 7(25- 26), pp. 66-82.
  • [5] Altay, E., & Satman, M. H. Stock Market Forecasting: Artificial Neural Network and Linear Regression Comparison in An Emerging Market. Journal of Financial Management and Analysis, 2005, 18(2), pp. 18-33.
  • [6] Yakut, E., Elmas, B., & Yavuz, S. Yapay Sinir Ağlari Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2014, 19(1), pp. 139-157.
  • [7] Sui, X., Hu, Q., Yu, D., Xie, Z. & Qi, Z. A Hybrid Method for Forecasting Stock Market Trend Using Soft-Thresholding De-noise Model and SVM. Springer Verlag Berlin Heidelberg, 2007, pp. 387-394.
  • [8] Kim, K. Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 2003, 55, pp. 307–319.
  • [9] Inthachot, M., Boonjing, V., & Intakosum, S. Predicting SET50 Index Trend Using Artificial Neural Network and Support Vector Machine. In International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, 2015, pp. 404-414. Springer.
  • [10] Aktürk, Z. BIST100 Endeksinin Günlük Modellenmesi. Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, 2019.
  • [11] Çetinyokuş, T., & Gökçen, H. Borsada Göstergelerle Teknik Analiz için Bir Karar Destek Sistemi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 2002, 17(1).
  • [12] Asiltürk, I., & Çunkaş, M. Modeling and Prediction of Surface Roughness in Turning Operations Using Artificial Neural Network and Multiple Regression Method. Expert systems with applications, 2011, 38(5), pp. 5826-5832.
  • [13] Breiman, L. Classification and Regression Trees. Routledge, 2017.
  • [14] Breiman, L. Random Forests. Machine learning, 2001, 45(1), pp. 5-32.
  • [15] Akşehir, Z. D., & Kılıç, E. Banka Hisse Senetlerinin İndirgenmiş Teknik Göstergelerle Fiyat Tahmini. in 2019 4th International Conference on Computer Science and Engineering (UBMK), 2019, IEEE.

Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini

Yıl 2019, Cilt: 12 Sayı: 2, 30 - 39, 17.12.2019

Zinnet Duygu Akşehir Erdal Kılıç

Öz

Banka hisse
senetlerinin bir gün sonraki kapanış fiyatını tahmin etmek zor bir problemdir. Çünkü
hisse senetleri fiyatlarını etkileyen çok sayıda etken vardır. Bu çalışmada 1
Ocak 2016 - 9 Mayıs 2019 tarihleri arasındaki veriler ele alınarak bazı banka
hisse senetlerinin bir gün sonraki kapanış fiyatları tahmin edilmeye
çalışılmıştır. Hisse senedi hareketlerinde doğrusal örüntülere rastlanması
sebebiyle tahmin modeli geliştirilirken karar ağacı, çoklu regresyon ve rassal
orman yöntemlerinden yararlanılmıştır. Bu yöntemlerle oluşturulan modeller için
iki farklı girdi değişken kümesi kullanılmıştır. Birinci veri kümesinde, 46
teknik ve 4 temel göstergeden oluşan toplam 50 gösterge vardır. İkincisi ise
teknik göstergelerde yapılan indirgemeler sonucunda 29 teknik gösterge ve 4
temel göstergeden oluşan toplam 33 göstergeden meydana gelmektedir. Bu iki
farklı girdi değişken kümesi için her iki modelin tahmin performansı R2
ölçütü ile değerlendirilmiştir. R2 sonuçları incelendiğinde, teknik
göstergede yapılan indirgemenin modellerin tahmin performansını olumlu yönde
etkilediği görülmüştür.

Anahtar Kelimeler

tahmin hisse senedi fiyatı karar ağacı çoklu regresyon rassal orman teknik ve temel gösterge

Kaynakça

  • [1] Akel, V., & Bayramoğlu, M. F. Kriz Dönemlerinde Yapay Sinir Ağları ile Finansal Öngörüde bulunma: İMKB 100 Endeksi Örneği. International Symposium on International Capital Flows and Emerging Markets, 24-28 Nisan 2008, Balıkesir, Bandırma.
  • [2] Karaatlı, M., Güngör, İ., Demir, Y., & Kalaycı, Ş. Hisse Senedi Fiyat Hareketlerinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi. Yönetim ve Ekonomi Araştırmaları Dergisi, 2005, 3(3), 38-48.
  • [3] Kutlu, B., & Badur, B. Yapay Sinir Ağları ile Borsa Endeksi Tahmini. Yönetim, 2009, 20(63), pp. 25-40.
  • [4] Diler, A. İ. İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hatayı Geriye Yayma Yöntemi ile Tahmin Edilmesi. İMKB Dergisi, 2003, 7(25- 26), pp. 66-82.
  • [5] Altay, E., & Satman, M. H. Stock Market Forecasting: Artificial Neural Network and Linear Regression Comparison in An Emerging Market. Journal of Financial Management and Analysis, 2005, 18(2), pp. 18-33.
  • [6] Yakut, E., Elmas, B., & Yavuz, S. Yapay Sinir Ağlari Ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2014, 19(1), pp. 139-157.
  • [7] Sui, X., Hu, Q., Yu, D., Xie, Z. & Qi, Z. A Hybrid Method for Forecasting Stock Market Trend Using Soft-Thresholding De-noise Model and SVM. Springer Verlag Berlin Heidelberg, 2007, pp. 387-394.
  • [8] Kim, K. Financial Time Series Forecasting Using Support Vector Machines. Neurocomputing, 2003, 55, pp. 307–319.
  • [9] Inthachot, M., Boonjing, V., & Intakosum, S. Predicting SET50 Index Trend Using Artificial Neural Network and Support Vector Machine. In International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, 2015, pp. 404-414. Springer.
  • [10] Aktürk, Z. BIST100 Endeksinin Günlük Modellenmesi. Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, 2019.
  • [11] Çetinyokuş, T., & Gökçen, H. Borsada Göstergelerle Teknik Analiz için Bir Karar Destek Sistemi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 2002, 17(1).
  • [12] Asiltürk, I., & Çunkaş, M. Modeling and Prediction of Surface Roughness in Turning Operations Using Artificial Neural Network and Multiple Regression Method. Expert systems with applications, 2011, 38(5), pp. 5826-5832.
  • [13] Breiman, L. Classification and Regression Trees. Routledge, 2017.
  • [14] Breiman, L. Random Forests. Machine learning, 2001, 45(1), pp. 5-32.
  • [15] Akşehir, Z. D., & Kılıç, E. Banka Hisse Senetlerinin İndirgenmiş Teknik Göstergelerle Fiyat Tahmini. in 2019 4th International Conference on Computer Science and Engineering (UBMK), 2019, IEEE.
Toplam 15 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler(Araştırma)
Yazarlar

Zinnet Duygu Akşehir 0000-0002-6834-6847

Erdal Kılıç 0000-0003-1585-0991

Yayımlanma Tarihi 17 Aralık 2019
Yayımlandığı Sayı Yıl 2019 Cilt: 12 Sayı: 2

Kaynak Göster

APA Akşehir, Z. D., & Kılıç, E. (2019). Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 12(2), 30-39.
AMA Akşehir ZD, Kılıç E. Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini. TBV-BBMD. Aralık 2019;12(2):30-39.
Chicago Akşehir, Zinnet Duygu, ve Erdal Kılıç. “Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 12, sy. 2 (Aralık 2019): 30-39.
EndNote Akşehir ZD, Kılıç E (01 Aralık 2019) Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 12 2 30–39.
IEEE Z. D. Akşehir ve E. Kılıç, “Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini”, TBV-BBMD, c. 12, sy. 2, ss. 30–39, 2019.
ISNAD Akşehir, Zinnet Duygu - Kılıç, Erdal. “Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 12/2 (Aralık 2019), 30-39.
JAMA Akşehir ZD, Kılıç E. Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini. TBV-BBMD. 2019;12:30–39.
MLA Akşehir, Zinnet Duygu ve Erdal Kılıç. “Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, c. 12, sy. 2, 2019, ss. 30-39.
Vancouver Akşehir ZD, Kılıç E. Makine Öğrenmesi Teknikleri İle Banka Hisse Senetlerinin Fiyat Tahmini. TBV-BBMD. 2019;12(2):30-9.
 Kapak Resmi İndir

https://i.creativecommons.org/l/by-nc/4.0Makale Kabulü

 

Çevrimiçi makale yüklemesi yapmak için kullanıcı kayıt/girişini kullanınız.

Dergiye gönderilen makalelerin kabul süreci şu aşamalardan oluşmaktadır:

1.       Gönderilen her makale ilk aşamada en az iki hakeme gönderilmektedir.

2.       Hakem ataması, dergi editörleri tarafından yapılmaktadır. Derginin hakem havuzunda yaklaşık 200 hakem bulunmaktadır ve bu hakemler ilgi alanlarına göre sınıflandırılmıştır. Her hakeme ilgilendiği konuda makale gönderilmektedir. Hakem seçimi menfaat çatışmasına neden olmayacak biçimde yapılmaktadır.

3.       Hakemlere gönderilen makalelerde yazar adları kapatılmaktadır.

4.       Hakemlere bir makalenin nasıl değerlendirileceği açıklanmaktadır ve aşağıda görülen değerlendirme formunu doldurmaları istenmektedir.

5.       İki hakemin olumlu görüş bildirdiği makaleler editörler tarafından benzerlik incelemesinden geçirilir. Makalelerdeki benzerliğin %25’ten küçük olması beklenir.

6.       Tüm aşamaları geçmiş olan bir bildiri dil ve sunuş açısından editör tarafından incelenir ve gerekli düzeltme ve iyileştirmeler yapılır. Gerekirse yazarlara durum bildirilir.

 88x31.png   Bu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır.