Yapay sinir ağlarının portföy yönetiminde kullanılması

Abstract

ÖZET Veri Madenciliği geniş veri setlerindeki gizli modelleri keşif sürecidir. Mühendislikten haberleşmeye kadar geniş kullanım alanları vardır. Hisse seçimi, opsiyon fiyatlama ve endeksleri veya bireysel hisse fiyatlarını tahmin etme fınanstaki tipik uygulamalarıdır. Bu çalışmada Yapay Sinir Ağları 'nı ( YSA ) kullanarak yeni bir hisse seçim aracı geliştirdik. Borsada bilgi akışı kazanç bildirileri döneminde artmaktadır. Pek çok araştırmacı borsanın kazanç bildirileri döneminde yüksek oranda değişken olduğunu belirtmişlerdir. Hedefimiz borsa endekslerinin ( NASDAQ 100 ve Dow- Jones ) getirilerine üstünlük sağlayan bir portföy oluşturmak için bu bilgiyi nasıl kullanabileceğimizi bulmaktır. Bu amaç YSA gibi model tanıma teknikleriyle gerçekleştirilebilir. Bu çalışmada NASDAQ hisse endeksinde işlem gören sisse senetlerini seçtik. Her hisse için EPS, Fiyat gibi belli başlı değişkenler seçildi. İlk olarak hisse fiyatlarına bağlı olarak hisse değişim boyutunu tanımlamada k-ortalama gruplama tekniği kullanıldı. Daha sonra YSA'nın farklı tipleri kullanıldı. Bunun temel amacı YSA'nın en iyi / optimum topolojisini tanımlamaktır. Tahminin Doğruluğu ( POD ), Doğruluk ( ACC ) gibi belli başlı istatistikleri karşılaştırmada olasılık matrisini kullandık. İstatistiklerin karşılaştırılması 7 gizli nöronlu Çok Katmanlı Algılayıcı ( ÇKA )'nın diğerlerinden daha iyi performans sağladığını gösterdi. Biz portföy yönetimine bir sınıflandırma problemi olarak baktık. Sonuçlarımız makine öğrenmesi teknikleri kullanılarak maksimum getirilerin sağlanabileceğini göstermiştir.

SUMMARY Data mining is the process of discovering hidden patterns in large data sets. It has wide application areas from engineering to commerce. Stock selection, option pricing, and forecasting indices or individual stock prices are typical application areas in finance. In this study, we develop a new stock selection tool using Artificial Neural Networks (ANN). Information flow in the stock market increases during the earning season. Many researchers indicate that the stock market is very volatile around the earning announcements. Our motivation is how we can use this information in order to create a winning portfolio which has to outperform the market indices ( NASDAQ 100 and Dow- Jones ). This can be done with pattern recognition techniques such as ANN. In this study, we choose the stocks that are traded in NASDAQ stock market. For each stock, several variables are chosen such as EPS, Price etc. First, k-means clustering algorithm is performed in order to determine the size of the stocks in term of the stock prices. Then different types of ANN is used. The main objective of this to identify the best / optimum topology of Neural Network ( NN ). We use contigency tables to compute several statistics such as Probability of Detection ( POD ), Accuarcy ( ACC ) etc. Comparison of the statistics show that Multilayered Perceptrons ( MLP ) network with 7 hidden nörons are better than others. We have looked at the portfolio management as a classification problem. Our results show that maximum return can be made by applying machine learning techniques.