Bist 100 endeksinin ekonomik takvim etkisi gözetilerek yapay sinir ağları ile öngörülmesi

Abstract

Yapay Sinir Ağları (YSA), insan beyninin çalışma prensibini taklit eden bir analiz yöntemidir. YSA'ların problem çözmedeki becerisi ve geleneksel yöntemlere göre karmaşık problemler karşısındaki başarı gücünün yüksekliği YSA'ların ekonomi ve finans alanlarında da tercih edilen bir yöntem olmasını sağlamıştır. Çalışmada, ileri beslemeli geri yayılımlı YSA kullanılmış olup benzer çalışmalarda olduğu gibi optimum performansı gösterecek ağ için ağ parametrelerinden olan katmanlardaki nöron sayısına deneme yanılma yoluyla ulaşılmıştır. Çalışmada 29 Temmuz -13 Kasım 2015 tarihleri kapsamında BIST 100, kodlanmış Ekonomik Takvim Olayları (ETO), majör pariteler, dolar indeksi ve dünya piyasalarından indekslerden yararlanılmıştır. Çok sayıda YSA arasında 10-9-1 mimarisinde kurulan YSA, açıklayıcılık derecesine (R2) göre en başarılı ağ olup 0.928 R2 ve 0.043 MSE değerlerine sahiptir. Bunu takip eden YSA ise 0.908 R2 ve 0.094 MSE değerlerini gösteren 11-11-1 yapısında bir ağdır. Sözü edilen, başarılı ANN sonuçları incelendiğinde 5 ve 7 nolu modellerden kurulduğu gözlenmiştir. En düşük MSE (0,022) değerine göre 5 nolu modele göre kurulan bir YSA en başarılı performansı göstermiştir. Çeşitli denemelerin ortalamasına göre ise önce Model 7, sonra Model 6 en düşük MSE değerine sahiptir (sırayla 0,089 ve 0,101). Söz konusu modellerin başarısına göre, ekonomik takvim olayları (ETO) ve `diğer` değişkeninin indeksteki değişimi açıklamada dikkate değer bir etkisi gözlenmiştir. Açılış tahmini kapanışa oranla daha başarılı olup ETO değişkeni açılış kestiriminde önemli bir başarı göstermiştir.

Artificial Neural Networks (ANN) is an analysis method that mimics the operating principle of the human brain. The problem-solving skills and the high rate of success in solving complex problems of ANN, relative to the other traditional methods has made it a preference as well in the fields of finance and economics. In this study, I used Feedforward back-propagation ANN (BPN-ANN), as used in similar studies, to forecast the indices. I also employed the trial-and-error method for parameters like number of layers and neurons to determine the layers to reach the optimal ANN structure. Further, the study used the daily data between 29th July and 13th November of 2015 for BIST 100, including codified economic calendar events and major parities, dollar index and indices as variables. Among the several ANNs used, the 10-9-1 structured ANN had the best explanatory level, with an R2 value of 0.928 and an MSE of 0.043l. This was followed by the 11-11-1 structured ANN which had an R2 reading of 0.908 and an MSE of 0.094. These successful ANN reaadings were observed using models 5 and 7 respectively. On the other hand, the lowest MSE value (0.022) was obtained from the ANN which used model 5. Models 7 and 6 respectively had the lowest MSE values (0,089 and 0,101) on average after several trials. From these results, it was understood that the ECE (Economic Calendar Events) and the 'Other' variables have notable effects that explain the fluctuations of the index. The predictions of the opening were found to be more successful than the closing, hence ECE has greater success forecasting opening values.