Makro Ekonomik Verilerin, Altın, Petrol Ve Çapraz Kur Fiyatlarının Ve Diğer Bazı Ülke Borsa Endeks Verilerinin, İstanbul Menkul Kıymetler Borsa Endeksi Üzerine Etkisinin Incelenmesine Yönelik Bir Yapay Sinir Ağı Modeli Oluşturma

Abstract

Bu çalışmada, İMKB 100 endeksi hareket yönünü, seanslık, günlük, haftalık ve aylık bazda, beş yıllık veri kullanarak, tahmin etmeye çalışan dört tahmin modeli geliştirilmiştir. Bu tahmin modellerinde, sınıflandırıcı olarak Yapay Sinir Ağlarının (YSA) bir türü olan Multilayer Perceptron (MLP) ile Logistic Regression (LR) ve Bagging of Logistic Regression (BLR) algoritmaları kullanılmıştır. Tahminlerde, dört veri kümesi kullanılmıştır ve bu veri kümeleri, makroekonomik faktörler, altın fiyatları, petrol fiyatları, döviz fiyatları, bazı diğer ülkelerin borsa endeksleri ve İMKB 100 endeksine ait bazı verilerden oluşur. Bu verilerden, en etkin olanları, bazı özellik seçim algoritmaları kullanılarak belirlenmeye çalışılmıştır. Bunun sonucunda, en önemli verilerden oluşan azaltılmış veri kümelerinin tahmin performanslarının, azaltılmamış verilere göre daha yüksek olduğu görülmüştür. Geniş kapsamlı deneysel çalışmalardan sonra, her bir tahmin modelinin doğruluk tahmin başarı oranları, seanslık bazda %64.13, günlük bazda %63.09, haftalık bazda %81.54 ve aylık bazda da %100 olarak elde edilmiştir. Bu sonuçlar diğer sınıflandırıcılara göre önemli ölçüde daha iyi bir performansa sahip olan MLP algoritmasından alınmıştır.

In this study, four predictive models have been developed for classification task in predicting the direction of movement in the sessional, Daily, weekly, and monthly the Istanbul Stock Exchange National 100 (ISE National 100) Index using five years data. Multilayer Perceptron (MLP), which comprises Artificial Neural Networks (ANN), Logistic Regression (LR), and Bagging of Logistic Regression (BLR) classification techniques are used in the models. During the prediction, four datasets are used and the following are taken into account: data of macroeconomic indicators, gold prices, oil prices, foreign exchange prices, stock price indexes in various countries, and the data of the ISEN 100 index for past session and prior days, which are used as input variables in the datasets. In connection with that, the most effective factors of these input variables were determined by using some feature selection methods. As a result, prediction performances Show that using reduced datasets consisting of only selected the most important features induced a predictive model of each dataset for classification modelling with a better predictive accuracy than using original datasets. Experimental results showed that prediction performances of the models, which are 64.13%, 63.09%, 81.54%, and 100% for the sessional, Daily, weekly, and monthly datasets respectively, were found by MLP significantly better than the other classifiers used in this study.