Destek vektör makineleri yöntemi ile İMKB 100 endeksi hareket yönü tahmini

Abstract

Bu çalışmada İstanbul Menkul Kıymetler Borsası Ulusal 100 Endeksi (İMKB 100) hareket yönü tahmini amacıyla veri madenciliğinde sınıflama metodu olarak kullanılan Destek Vektör Makineleri (DVM) yöntemi kullanılmıştır. İMKB 100 endeksi hareket yönünün tahmini için istatistiksel veri analizleri yapan, açık kaynak kodlu programlama dili ''R'' kullanılmış, DVM'lerin sınıflandırma başarısı çalışmada kullanılan ikinci bir yöntem olan Lojistik Regresyon (LR) yöntemi ile karşılaştırılmıştır. Çalışmada hisse senedi analizinde teknik analizin yararlandığı araçlardan biri olan teknik göstergelerden (indikatörler) yararlanılmıştır. Modellere dahil edilen teknik göstergeler LR analizi ile incelenmiş ve LR analizinde anlamlı olan göstergeler bağımsız değişken olarak kullanılmıştır. Analiz, 03.04.1995-19.03.2012 arası dönemi kapsamaktadır. Toplam 4226 adet veri günlük, haftalık ve aylık veri setleri şeklinde düzenlenmiştir. Her veri seti için 4 model oluşturulmuş ve her model için farklı değerlendirme kriterleri uygulanarak yöntemlerin endeks hareket yönü tahmin performansları değerlendirilmiştir.Yapılan değerlendirmeler sonucunda DVM'nin oluşturulan 12 model içerisinde İMKB 100 endeksi hareket yönünü en iyi tahminlediği modelin Haftalık Model-1 olduğu (%70.0) gözlenmiştir. Bu model aynı zamanda İMKB 100 endeksi artış (%82.89) ve azalış yönünü (%54.68) birbirine en yakın ve yüksek oranda tahminleyen model olarak bulunmuştur.Bu çalışma ile elde edilen bulgular ışığında İMKB 100 endeksi hareket yönü tahmininde Haftalık Model-1'in gerek yatırımcılar tarafından, gerekse akademik araştırmalarda başarı ile kullanılabilceği sonucuna ulaşılmıştır.Anahtar Kelimeler: Destek Vektör Makineleri, Endeks Hareket Yönü Tahmini, Teknik Analiz Göstergeleri, Lojistik Regresyon, Sınıflandırma, İMKB 100.

This study aims to forecast the movement direction of Istanbul Stock Exchange National 100 Index (ISE 100) using Support Vector Machines (SVM), one of the classification methods in data mining. Open source programming language `R` was used to analyse statistical data, and SVMs' classification performance was compared with Logistic Regression (LR), the other method used in this study, in order to forecast the movement direction of ISE 100 Index. Technical indicators that are among the devices useful for technical analysis in stock prediction were used. These indicators included in models were analysed with LR analysis and then, significant ones were used as independent variables. The analysis includes the data from 03.04.1995 to 19.03.2012. 4226 data were established as daily, weekly and monthly data sets. 4 models were organized for each dataset and index movement direction forecasting performance of these methods was evaluated by applying different criteria for each model.The results of this study show that SVMs estimate the movement of ISE 100 Index best with Weekly Model-1 (70.0%) among 12 models. Additionally, it is observed that this model has a high level of estimation and the closest increase (82.89%) and decrease (54.68%) direction of ISE 100 Index.In consideration of the results obtained with this study, it is obvious that in estimating the movement direction of ISE 100 Index, Weekly Model-1 will be useful for investors and academic studies.Key Words: Support Vector Machines, Index Movement Direction Forecast, Technical Indicators, Logistic Regression, Classification, ISE 100.