Makine öğrenmesi teknikleri ile borsa getirilerinin öngörüsü: BRICS ve Türkiye örneği
Forecasting stock market returns with machine learning techniques: The case of BRICS and Türkiye
- Tez No: 997922
- Danışmanlar: PROF. DR. ASİYE ÖZLEM ÖNDER
- Tez Türü: Doktora
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Menkul kıymetler borsası, Stock exchange
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisadi ve İdari Ana Bilim Dalı
- Bilim Dalı: İktisat Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, karmaşık yapıları yakalamada başarılı olduğu düşünülen yapay zeka tabanlı modeller ile borsa endeks getiri öngörüsü amaçlanmıştır. Bu bağlamda çalışmada ele alınan yapay zeka tabanlı modeller (Lasso, Lasso-CNN, RreliefF-CNN, Lasso-RreliefF-CNN) ile Türkiye ve BRICS ülkeleri hisse senedi endeks getirileri öngörülmeye çalışılmıştır. Nihai olarak elde edilen bulgular geleneksel ekonometrik karşılaştırma modellerinin (AR ve Rassal Yürüyüş) öngörü performansları ile kıyaslanmıştır. Çalışmada Türkiye için 2000-2024 yılları arası günlük veriler kullanılmıştır. Bununla birlikte modeller ayrıca ayı ve boğa piyasalarını temsil eden birer yıllık toplam altı alt gözlem seti üzerinden de ele alınmıştır. BRICS ülkeleri içinse 2011-2024 arası günlük verilerden yararlanılmıştır. Ek olarak tüm gözlem setleri için birden fazla örneklem dışı periyot ele alınmıştır. Çalışmada esasen borsa endeks getirisi için yapay zeka tabanlı, hibrit ve bilindiği kadarıyla özgün bir modelin (Lasso-RreliefF-CNN) öngörü performansı incelenmiştir. Bu noktada öncelikle literatür baz alınarak borsayı etkileyebileceği düşünülen yüksek boyutlu özellik (bağımsız değişken) kümesi oluşturulmuştur. Daha sonra bu özellik kümesinden önemli özellikler hibrit özellik seçim yöntemi (Lasso-RreliefF) ile seçilmiştir. Nihai özellik kümesi üzerinden derin öğrenme yöntemi olan CNN ile bir gün sonrası getiri değerleri için kayan pencere yaklaşımı ile öngörüler elde edilmiştir. Bulgular değerlendirildiğinde, tüm yapay zeka tabanlı modeller Rassal Yürüyüş karşılaştırma modelini yenmiştir. Diğer taraftan genel olarak makine öğrenmesi temelli modellerin borsa öngörüsünde AR(1) karşılaştırma modelinden daha başarılı öngörüler kaydettikleri, ancak AR(1) modelinin, belli piyasa özellikleri (örneğin belirgin doğrusal trend içeren seriler gibi) altında, çok güçlü bir rakip olduğu bulgusuna ulaşılmıştır. Ek olarak, çalışmada öngörü performansı incelenen, hibrit ve özgün Lasso-RreliefF-CNN modeli, BRICS ülkelerine ait hisse senedi piyasalarında görece başarılı bulunmuştur. Ancak Türkiye için bu modelin öngörü başarısı görece geride kalmıştır. Son olarak özellik seçim yöntemlerinin literatür ile uyumlu olarak derin öğrenme öngörü performansını artırdığı kaydedilmiştir.
Özet (Çeviri)
This study aims to forecast stock index returns utilizing artificial intelligence-based models considered successful in capturing complex patterns. In this context, artificial intelligence-based models (Lasso, Lasso-CNN, RreliefF-CNN, and Lasso-RreliefF- CNN) are used to forecast stock market returns in Türkiye and the BRICS countries. The final results are compared with the forecasting performance of traditional econometric benchmark models (AR and Random Walk). In the study, daily data from 2000 to 2024 are employed for Türkiye. In addition, the models are also run on a total of six one-year sub-sample sets representing bear and bull markets. For the BRICS countries, daily data are employed for the period from 2011 to 2024. Additionally, several out-of-sample periods are considered for all observation sets. In this study, an AI-based, hybrid, and, to the best of our knowledge, novel model (Lasso-RreliefF-CNN) is proposed for stock market forecasting. First, a high- dimensional feature (independent variable) set that is thought to affect the stock market is generated based on the literature. Then, important features are selected using a hybrid feature selection method (Lasso-RreliefF). Using the final feature set, one-day- ahead return forecasts are produced with a CNN, which is a deep learning method, utilizing a rolling window approach. When the findings are evaluated, all AI-based models outperform the Random Walk benchmark model. On the other hand, although machine learning-based models generally outperform the AR(1) benchmark model in terms of handling complex structures in stock market forecasting, the AR(1) model is found to be a very strong competitor under certain market characteristics (e.g., series with a significant linear trend). In addition, the Lasso-RreliefF-CNN model proposed in the study is found to be relatively successful in the stock markets of the BRICS countries. However, the forecasting performance of this model is relatively weaker for Türkiye. Finally, it is noted that, in line with the literature, feature selection methods increase the forecasting performance of deep learning models.
Benzer Tezler
- Network analysis of co-search-based investor attention on stock prices
Ortak arama tabanlı yatırımcı dikkatinin hisse senedi fiyatları üzerindeki ağ analizi
MÜGE ÖZDEMİR
- Navigating BIST100 investments through symbolic aggregateapproximation clustering: Insights for investors
Sembolik toplam yaklaşım kümelemesi yoluyla BIST100 yatırımlarında yön bulma: Yatırımcılara yönelik bilgiler
MEHMET EREN NALİCİ
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiAbdullah Gül ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. RAMAZAN ÜNLÜ
DR. İSMET SÖYLEMEZ
- Sign predictability of intraday price returns to formulate appropriate trading strategies with optimum set of equities
Optimum hisse senedi kümesi ile uygun işlem stratejileri oluşturmak için gün içi fiyat getirilerinin işaret tahmin edilebilirliği
ABDURRAHMAN KILIÇ
Doktora
İngilizce
2024
Ekonometriİstanbul Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. BÜLENT GÜLOĞLU
- Return prediction in Turkish stock market via machine learning
Makine öğrenmesi ile Türk hisse senetleri piyasasında getiri tahmini
SELEN BABAYAKALI
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiÖzyeğin ÜniversitesiFinans Mühendisliği ve Risk Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH AHİ
- Constructing trading strategies using artificial intelligence based models: An application for Borsa Istanbul
Yapay zeka temelli modeller kullanarak alım satım stratejilerinin oluşturulması: Borsa İstanbul için bir uygulama
BERÇİM BERBEROĞLU