Payların kapanış fiyatlarının makine öğrenmesi yöntemleri ile tahmin edilmesi

Abstract

Payların fiyatlarının tahmin edilmesine yönelik finansal alanda pek çok çalışma yapılmaktadır. Payların fiyatına etki eden çok sayıda değişken bulunmaktadır. Finansal alanda devam eden araştırma ve çalışmalara katkı sağlamak amacıyla finansal veriler ile makine öğrenimi algoritmaları kullanılarak farklı sektörlerdeki payların kapanış fiyatı tahmini yapılacaktır. 2016 - 2018 yılındaki ortalama piyasa değeri en büyük olan paylar belirlenecek ve ilk on beş pay için ayrı ayrı ve sektör bazında gruplandırma yapılarak incelemeler yapılacaktır. Finansal verilerin tahmin edilmesine yönelik makine öğrenmesi algoritmalarından arttırılmış karar ağacı regresyonu, sinir ağı regresyonu, doğrusal regresyon, karar ormanı regresyonu, poisson regresyon, bayesian doğrusal regresyon kullanılacaktır. Veri setinde 01.01.2016 – 31.12.2018 tarih aralığı için günlük ve pay bazında işlem ve fiyat bilgileri, altın fiyatı, döviz fiyatı, tahvil endeksi faiz bilgileri ve tüm değişkenlerin günlük değişim değerleri finansal değişken olarak belirlenmiştir. Seçilen dönemdeki piyasa değeri en yüksek olan ilk on beş pay için ve tüm Borsa İstanbul'da işlem gören paylar için ayrı veri setleri oluşturularak öğrenme ve tahmin yapılacaktır. Ayrıca algoritmaların parametreleri değiştirildiğinde sonuç üzerine etkisi değerlendirilecektir. Çalışma sonucunda, seçilen paylar için kapanış fiyatına etkisi yüksek olan finansal değişkenler ve makine öğrenimi algoritmaları belirlenecektir. Aynı zamanda farklı sektördeki paylar için oluşturulan tahmin sonucu karşılaştırılacak ve sektör bazında farklar ortaya konulacaktır.

In the financial area, many studies have been performed to estimate the stock prices, which are affected by numerous parameters. In order to contribute to the ongoing research and studies in the financial area, the closing price of shares in different sectors will be estimated by using financial data and machine learning algorithms. At the end of the study, financial variables and machine learning methods with high impact on the closing price will be determined for the selected shares. At the same time, the estimation result for the shares in different sectors will be compared and sectoral differences will be analyzed.Stock shares with the highest average market value in 2016-2018 will be determined and grouped separately and sector-based examinations will be analyzed for the first fifteen shares. boosted decision tree regression, neural network regression, linear regression, decision forest regression, poisson regression, bayesian linear regression will be used in the machine learning algorithms for estimating financial data.For the period between 01.01.2016 and 31.12.2018, daily and stock based transaction and price information, gold price, foreign Exchange price, bond index interest information and daily exchange values of all variables are determined as financial variables in the data set.For the first fifteen shares with the highest market value in the selected period and for all shares traded on Borsa İstanbul, learning and estimation will be done by creating separate data sets. Furthermore, when the parameters of the algorithms are changed, the effect on the result will be evaluated. At the end of the study, financial variables and machine learning algorithms with high impact on the closing price will be determined for the selected shares. At the same time, the estimation result for the shares in different sectors will be compared and sectoral differences will be evaluated.