Yüklüyor…
Xgboost algoritması ile pay piyasası fiyat tahmini: borsa İstanbul endeksleri üzerinde bir uygulama /
Finansal piyasalarda işlem yapan yatırımcılar için ilgili yatırım aracının fiyatını tahmin edebilmek oldukça önemlidir. Küreselleşme ile ekonomi sisteminin birçok değişkenden etkilenir hale gelmesi finansal piyasa araçlarının yönünü ve fiyatının tahmin edilebilirliğini daha karmaşık hale getirmiştir...
| Yazar: | |
|---|---|
| Müşterek Yazar: | |
| Diğer Yazarlar: | |
| Materyal Türü: | Tez |
| Dil: | Türkçe |
| Konular: | |
| Online Erişim: | OPAC'ta görüntüle |
| Özet: | Finansal piyasalarda işlem yapan yatırımcılar için ilgili yatırım aracının fiyatını tahmin edebilmek oldukça önemlidir. Küreselleşme ile ekonomi sisteminin birçok değişkenden etkilenir hale gelmesi finansal piyasa araçlarının yönünü ve fiyatının tahmin edilebilirliğini daha karmaşık hale getirmiştir. Yatırımcılar da bu karmaşıklıktan olabildiğince az etkilenmek veya kendi lehlerine çevirmek adına farklı metot arayışına girmişlerdir. Tahmin yönteminin belirlenmesi ve kullanılabilmesinden önce yatırımcının yatırım kavramı, getiri ve risk, finansal piyasalar ve finansal araçlar gibi konular hakkında bilgi sahibi olunması yatırımcıların daha düzgün karar verebilmelerine yardımcı olabilmektedir. Bu çalışmamızda da önce finansal okur yazarlık konuları hakkında ayrıntılı bilgilere yer verilmiştir. Ardından son yıllarda LLM performanslarının artmasıyla adını daha sık duymaya başladığımız makine öğrenmesi ile fiyat tahmini uygulaması yapılmıştır. Makine öğrenmesi yöntemlerinden biri olan XGBoost algoritması kullanılarak Borsa BIST'in önde gelen endeksleri olan BIST 30, BIST 50 ve BIST 100 için günlük endeks fiyatlarının tahmini gerçekleştirilmiştir. Çalışmamızın uygulama kısmı iki bölümden oluşmaktadır. Birinci bölümde, 01.01.2015 - 30.12.2020 tarihleri arasında elde edilen günlük veriler analiz edilmiştir. Verilerin %80'i modelin eğitimi, %20'si ise test için ayrılmıştır. İkinci bölümde ise daha geniş bir zaman dilimini kapsayan 01.01.2011 - 30.12.2023 tarihleri arasında elde edilen günlük veriler ile modele yeni veri girişi yapılmış ve girişi yapılan verinin %100'ü ile model eğitilmiştir. Modelin eğitimi sonrası 02.01.2024 – 15.01.2024 tarihleri arasındaki on günlük borsa işlem günü için fiyat tahmini yapılmıştır. Çalışmamızın, girdiğimiz farklı veri gruplarına optimize olmuş şekilde eğitilip tahminde bulunması için standart hiperparametre değeri kullanılmamıştır. Bunun yerine RandomizedSearchCV yönteminden de daha kapsamlı bir hiperparametre optimizasyonu sağlayan GridSearchCV yöntemi tercih edilmiştir. GridSearchCV yöntemi ile "n_estimators", "max_depth", "learning_rate", colsample_bytree", "gamma" ve "subsample" hiperparametrelerinde optimizasyon sağlanmıştır. Uygulamada kullanılan tüm hiperparametreler çalışma içerisinde açıklanmıştır. XGBoost algoritmasının karar ağaçları ile hızlı ve etkili tahmin yapabilme özelliği, çalışmanın temel motivasyonunu oluşturmuştur. Modelin performansı her iki bölüm için R^2 Score ve MAPE metrikleri kullanılarak değerlendirilmiştir. Model, verilerin %80'i eğitim, %20'si test için ayırdığımız çalışmamızda her iki perfomans ölçütünde de en iyi sonucu MAPE değeri %5,07, R^2 değeri 0,9002 ile BİST 30 üzerinde yaptığımız tahmin çalışmasında vermiştir. Verinin %100'ünün eğitim için kullanıldığı out-of-sample çalışmamızda ise en iyi MAPE ve R^2 değerini veren çalışmalar farklı çıkmıştır. Out-of-sample çalışmamızda en iyi MAPE değerini %2,02 ile BİST 100 üzerinde yaptığımız tahmin çalışması verirken en iyi R^2 değerini 0.4804 ile BİST 30 üzerinde yaptığımız tahmin çalışması vermiştir. Sonuçlar, modelin hem eğitim hem de test verilerinde yüksek doğruluk oranları sunduğunu göstermiştir. |
|---|---|
| Fiziksel Özellikler: | 63 sayfa ; 30 cm |
| Bibliyografya: | Kaynakça : 58-62 sayfa |