Yapay sinir ağları ile hisse senedi kapanış fiyatlarının tahmini ve portföy optimizasyonu

Abstract

Modern portföy teorisinde, yatırım araçlarını çeşitlendirmenin yatırım risklerini azalttığı kabul edilen bir gerçektir. Yatırımcı doğal olarak piyasada maruz kaldığı riske karşın en büyük getiriyi elde etmek istemektedir. Yatırım, gelecekle ilgili bir süreç olduğundan doğal olarak belirsizlikler ve riskler içermektedir. Portföy optimizasyonu üzerine yapılan çalışmalarda genellikle geçmişe dayalı getiri değerleri kullanılmıştır. Bu çalışmanın amacı, tahminleme yöntemlerine göre Markowitz'in ortalama-varyans modelinin performansını analiz etmektir. Çalışmada BIST 30 'da işlem gören 26 hisse senedine ait 2008-2014 yılları arasındaki aylık getiri değerleri kullanılmıştır. En iyi tahmin aracının bulunması için Yapay Sinir Ağları ve Zaman Serileri Analizi Yöntemleri karşılaştırılmıştır. İlk olarak, Yapay Sinir Ağlarının en iyi parametre değerlerinin bulunması amaçlanmıştır. Tahminler gerçekleştirilmeden önce farklı zaman dilimleri, nöron sayıları, girdi değişkeni sayıları ve öğrenme algoritmaları kullanılarak tahminleme modelleri oluşturulmuştur. Bu modellerin tahmin sonuçları karşılaştırılırken MAE, MSE, MAPE hata ölçümleri kullanılmıştır. İkinci aşamada, 2008-2013'e ait aylık ortalama getirilerden hareketle Basit Ortalama, Hareketli Ortalamalar, Üstel Düzeltme ve Trend Analizi Yöntemleri kullanılarak 2014'e ait 12 aylık getiriler tahmin edilip Yapay Sinir Ağı Sonuçları ile karşılaştırılmıştır. Sonuçlara göre en iyi tahmin değerlerini veren yöntemlerin Yapay Sinir Ağları ve Üstel Düzeltme yöntemleri olduğu tespit edilmiştir. Bu iki yöntemin tüm hisse senetlerinde birbirlerine üstünlük sağlamadıkları görülmüştür. Son olarak, Yapay Sinir Ağları, Üstel Düzeltme ve geçmiş gerçek veriler kullanılarak oluşturulan Markowitz 'in Ortalama-Varyans modellerinin farklı beklenen getiri düzeylerindeki eniyi varyans değerleri, 2014 yılına ait gerçek varyans değerleri kullanılarak karşılaştırılmıştır. Hesaplama sonuçlarına göre, birleştirilmiş Yapay Sinir Ağları-Üstel Düzeltme tahmin yöntemi ile Markowitz'in Ortalama-Varyans modelinin birlikte kullanılması sonucunda en iyi sonucunun elde edildiği görülmüştür.Anahtar Kelimeler: Portföy Optimizasyonu, Tahminleme, Yapay Sinir Ağları, Zaman Serileri Analizi.

In the modern Portfolio Theory, minimization of investment risks through diversification of investment tools is a widely adopted notion. Investors seek to obtain maximum profit against the risk they encounter. Investments inherently involve uncertainties and risks as they are dependent on future. Retroactive returns data have been widely used in portfolio optimization studies. The aim of this study was to analyze the performance of Markowitz's mean-variance model. Accordingly, monthly returns values of 26 stock exchange securities traded in ISE-30 within 2008-2014 period were used. Artificial Neural Networks (ANN) and Time-Series Analysis Methods were compared to find the best forecasting tool. Determination of the best parameter values of ANN and the most suitable time period for forecasting was aimed. Different time periods, different number of neurons, input variables and learning algorithms were used to build the models. MAE, MSE and MAPE error measurement methods were used to compare the results. Afterwards, Simple Average Method, Moving Averages Method, Exponential Smoothing and Trend Analysis Methods were used to obtain annual returns forecasting for 2014 on the basis of monthly average returns for 2008-2013, and the results were compared with ANN results. ANN and Exponential Smoothing methods yielded the most accurate results. These two methods displayed no certain advantage over each other. Finally, by use of ANN, Exponential Smoothing and real historical data, the best variance values were compared using real variance values of 2014. Accordingly, the best portfolio optimization outcome was obtained by combined use of ANN-Exponential Smoothing method and Markowitz's Mean-Variance model.Keywords: Portfolio Optimization, Forecasting, Artificial Neural Networks, Time-Series Analysis.