Hisse senedi fiyatlarının makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları ile tahmini

Türkiye gibi gelişmekte olan ekonomiler açısından menkul kıymetler piyasasının fiyat tahminlerinin yapılması oldukça önemlidir, ancak piyasalarda her türlü spekülatif hareketin yaşanması bu borsalarda iniş ve çıkışların çok yüksek olmasına neden olmaktadır. Bu durum yatırımcıların hisse senedi fiyat hareketlerini tahmin edebilmelerini güçleştirmekte ve dolayısıyla yatırımlarını doğru değerlendiremedikleri için kayıplar yaşamalarına sebep olmaktadır. Bu nedenle yatırımcılar gelecekteki hisse senedi fiyatlarını doğru tahmin edebilmek için çeşitli yöntem ve metotlar kullanma ihtiyacı hissetmektedirler. Son zamanlarda bu tahminlerin elde edilmesinde makine öğrenmesi yöntemleri ve derin öğrenme algoritmaları diğer alanlarda olduğu gibi finans alanında da sıkça kullanılmaya başlanmıştır. Bu çalışmada, veri seti olarak Borsa İstanbul Ulusal-100 Endeksi (BIST 100)'de işlem gören firmaların hisse senetlerinin günlük 2. seans açılış ve kapanış fiyatlarına ilişkin Ocak 2010 ile Ocak 2019 tarihleri arasındaki veriler kullanılmıştır. Çalışmada makine öğrenmesi ve derin öğrenme ışığında bu hisse senetlerinin açılış ve kapanış fiyatlarının tahmin edilmesi amaçlanmaktadır. Bu kapsamda tahminleme modeli oluşturabilmek adına Çok Katmanlı Algılayıcılar (ÇKA) ve Destek Vektör Makineleri (DVM) gibi klasik makine öğrenimi yöntemleri ve Uzun Kısa Dönemli Hafıza (UKVH) yöntemi gibi derin öğrenme algoritmaları kullanılmaktadır. Çalışmanın sonucunda ÇKA ve UKVH ağlarının DVM'lerine göre daha tutarlı tahminler yaptığı tespit edilmiştir. Bu sonuç analizlerde gruplar arasında fark olup olmadığını gösteren çift kuyruklu t-testi analizi ile de desteklenmiştir.

Forecasting the stock markets' prices in emerging economies such as Turkey is quite important, however, the existence of all kinds of speculative movements in the markets causes ups and downs to be very high in these stock markets. This situation makes it difficult for investors to predict stock price movements and thus cause losses since they cannot evaluate their investments correctly. For his reason, investors feel the need to use various practices and methods to predict future stock prices. In order to gain these forecasts, machine learning methods and deep learning algorithms have been recently used frequently in the field of finance as well as other fields. In this study, data between January 2010 and January 2019 were used as the data set for the second session opening and closing prices of the stocks of the companies traded on the Borsa İstanbul National-100 Index (BIST 100). In the light of machine learning methods and deep learning algorithms, it is aimed to estimate the opening and closing prices of these stocks. In this context, in order to create a prediction model, machine learning methods such as Multilayer Perceptrons (MLP) and Support Vector Machines (SVMs) as well as deep learning algorithm, Long Short Term Memory (LSTM) method have been used. As a result of the study, it has been observed that MLP and LSTM networks make more consistent estimates than SVMs. This result has been supported by two-tailed t test analysis, which shows whether there is a difference between the groups in the analyzes.