Borsa endeks yönünün tahmininde finansal verilerin karmaşık ve durağan olmayan yapısı nedeniyle etkin bir tahmin modelinin kurulması oldukça zordur. Bazı dışsal faktörlerin ve şokların etkilerinin daha derin gözlendiği gelişmekte olan ülke borsalarında, borsa endeksinin aşağı veya yukarı yönlü hareketini tahmin etmek gerek yatırımcılar, hükümetler, finansal kurumlar ve kreditörler gibi paydaşlar gerekse de araştırmacılar için önemli bir konudur. Bu çalışmanın amacı, Borsa İstanbul 100 (BİST-100) endeksinin borsa endeksinin yönünü ağaç tabanlı topluluk Makine Öğrenmesi (ML) yöntemleriyle tahmin etmektir. Üç yılın günlük Açılış, Kapanış, En Yüksek, En Düşük ve Hacim verilerine Üstel Düzgünleştirme uygulandıktan sonra hesaplanan Teknik Göstergeler modelin girdi değişkenleri olarak ele alınmıştır. Ayrıca Teknik Göstergelerin pencere uzunlukları artırılarak girdi değişkeni uzayı genişletilmiştir. Çalışmada Karar Ağaçlarına dayanan topluluk makine öğrenmesi yöntemlerinden Random Forest, XGBoost ve CatBoost kullanılmıştır. Modelin parametreleri Bayesyan Arama (Bayesian Search) yöntemi ile optimize edilmiştir. Çalışmanın bulgularına göre, tercih edilen bütün yöntemler %89,7 ile %90,4 aralığında doğruluk oranına sahipken ve diğer performans değerlendirme kriterleri de dikkate alındığında en iyi performansa sahip yöntemin XGBoost olduğu görülmektedir.
Topluluk Makine Öğrenmesi Teknik Göstergeler Borsa Yönü Tahmini Rassal Orman XGBoost CatBoost
The establishment of an effective prediction model for the direction of stock market indices is quite challenging due to the complex and non-stationary nature of financial data. Predicting the upward or downward movements of the stock market index, especially in emerging market exchanges where the impacts of external factors and shocks are observed more deeply, is of significant importance to stakeholders such as investors, governments, financial institutions, and creditors, as well as researchers. The aim of this study is to predict the direction of the stock market index with tree-based ensemble Machine Learning (ML) methods. Technical Indicators calculated after applying Exponential Smoothing to daily Opening, Closing, Highest, Lowest and Volume data of three years were considered as input variables of the model. In addition, the input variable space was expanded by increasing the window lengths of the Technical Indicators. In the study, Random Forest, XGBoost and CatBoost methods,which based on Decision Trees, are used as ensemble ML methods. Bayesian Search was employed to determine the optimal parameters. According to the findings of the study, all selected methods demonstrated accuracy rates ranging from 89.7% to 90.4%, and considering other performance evaluation criterias, XGBoost was identified as the best prediction method.
Ensemble Machine Learning Tecnical Indicators Stock Market Way Prediction Random Forest XGBoost CatBoost
Primary Language | Turkish |
---|---|
Subjects | Econometrics Theory, Econometric and Statistical Methods, Time-Series Analysis |
Journal Section | Articles |
Authors | |
Early Pub Date | April 29, 2024 |
Publication Date | April 30, 2024 |
Submission Date | November 16, 2023 |
Acceptance Date | March 18, 2024 |
Published in Issue | Year 2024Issue: 27 |