Publication: Yapay zeka yöntemleri̇yle hi̇sse senedi̇ fi̇yatinin öngörülmesi̇
Abstract
Bist30 endeksine ilişkin bu kapsamlı çalışmada, günlük borsa endeksi ve hisse kapanış fiyatlarını tahmin etmek için makine öğrenimi modellerini uyguladık ve bu modellerin, özellikle COVID salgını da dahil olmak üzere yüksek oynaklık dönemlerinde tahmin performansını inceledik. 4.800 güne yayılan 30 veri kümesini içeren araştırma, geleneksel paket algoritmalarını Python'da geliştirilen özel olarak tasarlanmış modellerle karşılaştırdı. Sonuçlar, %57,78'lik doğru karar oranıyla Gradient Boosting Trees (GBT) modelinin lider olduğunu gösterdi. Derin Öğrenme ve Destek Vektör Makinesi (SVM) modelleri, her biri %54,57'lik bir oranla iyi bir performans sergilemektedir. Dikkat çekici bir şekilde Python'daki özel hazırlanmış SVM modelimiz, en iyi geleneksel modelin %2,16'sından önemli ölçüde daha iyi performans göstererek yalnızca %1,60'lık bir göreceli hata skoru kaydederek üstünlüğünü göstermektedir. Bu durum tahmin zorluklarının var olduğu durumlar için özel olarak tasarlanmış modellerin esas değerlerini vurgulamaktadır. Ek olarak, Karar Ağacı modeli düşük bir göreli hata sonucu sergilerken, doğru karar oranı optimalin altındaydı ve bu da olası aşırı uyumun probleminin sinyalini vermektedir. Temelde bulgularımız, makine öğreniminin finansal analitikle entegrasyonunu desteklemekte ve özellikle öngörülemeyen piyasalarda, farklı finansal tahmin senaryolarına göre uyarlanmış özel algoritmik çözümlerin kavramsallaştırılmasını ve uygulanmasını desteklemektedir. Oynak Covid pandemisi dönemini kapsayan bu tez çalışması, gelecekte salgına bağlı potansiyel mali çıkmazlar ve oynaklık oranı yüksek pazarlar için önemli bilgiler sağlamaktadır.
In this comprehensive study of the Bist30 index, we applied machine learning models to predict daily stock market index and share closing prices and examined the predictive performance of these models, especially during periods of high volatility, including the COVID pandemic. The research, which included 30 datasets spread over 4,800 days, compared traditional package algorithms with specially designed models developed in Python. The results showed that the Gradient Boosting Trees (GBT) model was the leader with a correct decision rate of 57.78%. Deep Learning and Support Vector Machine (SVM) models perform well at 54.57% each. Remarkably, our tailor-made SVM model in Python demonstrates its superiority by recording a relative error score of just 1.60%, significantly outperforming the top traditional model by 2.16%. This highlights the intrinsic values of models specifically designed for situations where forecasting challenges exist. In addition, while the Decision Tree model exhibited a low relative error result, the correct decision ratio was below optimal, signaling the problem of possible overfit. Essentially, our findings support the integration of machine learning with financial analytics and support the conceptualization and application of custom algorithmic solutions tailored to different financial forecasting scenarios, especially in unpredictable markets. Covering the volatile Covid pandemic period, this thesis provides important insights into potential pandemic-related financial predicaments in the future and for markets with high volatility.
In this comprehensive study of the Bist30 index, we applied machine learning models to predict daily stock market index and share closing prices and examined the predictive performance of these models, especially during periods of high volatility, including the COVID pandemic. The research, which included 30 datasets spread over 4,800 days, compared traditional package algorithms with specially designed models developed in Python. The results showed that the Gradient Boosting Trees (GBT) model was the leader with a correct decision rate of 57.78%. Deep Learning and Support Vector Machine (SVM) models perform well at 54.57% each. Remarkably, our tailor-made SVM model in Python demonstrates its superiority by recording a relative error score of just 1.60%, significantly outperforming the top traditional model by 2.16%. This highlights the intrinsic values of models specifically designed for situations where forecasting challenges exist. In addition, while the Decision Tree model exhibited a low relative error result, the correct decision ratio was below optimal, signaling the problem of possible overfit. Essentially, our findings support the integration of machine learning with financial analytics and support the conceptualization and application of custom algorithmic solutions tailored to different financial forecasting scenarios, especially in unpredictable markets. Covering the volatile Covid pandemic period, this thesis provides important insights into potential pandemic-related financial predicaments in the future and for markets with high volatility.