BİST 100 Endeksi'nin ARIMA ve yapay sinir ağlarına dayalı karma yöntem ile tahmini

Borsa endeksleri başta olmak üzere birçok makro ekonomik değişkenin tahmini için farklı yöntemler geliştirilmiştir. Box Jenkins tarafından geliştirilen ARIMA (Autoregressive Integrated Moving Averages) modeli bu yöntemlerin başında gelmektedir ve uzun zamandır kullanılmaktadır. Ancak bu yöntem belirli varsayımlar 1 altında önceden tanımlanmış doğrusal fonksiyona dayalı olarak geliştirilmiştir. Bu nedenle doğrusal olmayan ve fazla değişkenlik gösteren verilerin tahmin edilmesinde yetersiz kalabilmektedir. YSA (Yapay Sinir Ağları) yöntemi ise varsayımlardan bağımsız, doğrusal olmayan verilerin tahmininde de başarılı sonuçlar veren bir yöntem olarak yaygın olarak kullanılmaktadır. Ancak çalışmalar YSAnın da her zaman en iyi sonucu vermediğini göstermiştir. Bu nedenle tahmin için iki yöntemin birlikte kullanıldığı karma modeller geliştirilmiştir. Çalışmaların birçoğunda karma modelin daha iyi tahmin sonuçları verdiği ileri sürülmektedir. Bu çalışmada da Ocak 2002 ile Aralık 2012 dönemindeki veriler kullanılarak BIST 100 endeks tahmini için Zhang tarafından geliştirilen karma model uygulanmış ve tahmin performansı açısından ARIMA ve YSA modelleriyle karşılaştırılmıştır. Çalışmanın sonucu karma modelin ARIMA ve YSA modelinin tek başına gösterdiği performanstan çok daha başarılı sonuç verdiğini göstermiştir.

Forecasting the stock exchange ıstanbul 100 with the hybrid method based on ARIMA and artificial neural network

Many different methods have been developed for the prediction of macroeconomic variables especially for the stock market indices. ARIMA time series method developed by Box Jenkins is the foremost method and used for a long time. However, this method was developed based on pre-defined linear function under certain assumptions. Therefore, it cannot be sufficient to forecast for non linear and volatile variables. ANN (Artificial Neural Network) method is widely used as a method which is independent of the assumptions and giving success-ful results even for prediction of non linear variables. However, the studies indicated that ANN has not given the best results all the time. Therefore, the hybrid method combining with these two methods has been developed for forecasting Most studies claimed that hybrid method has given better forecasting results. In this study hybrid model, developed by Zhang, has been applied to forecast BIST 100 index using the data between January 2002 and December 2012 period and then compared with ARIMA and ANN with aspects of the forecasting performan- ce. The result of the study illustrate that hybrid model has much more successful result than a stand-alone performance of the ARIMA and ANN model.

PDF

___

AKMUT, Özdemir, Ramazan AKTAŞ ve Soner BİNAY; (1999), Öngörü Teknikleri ve Finans Uygulamaları, 1. Baskı, SBF Yayını:584, Ankara.
ARSHAM, Hossain; (2000), Time Critical Decision Making For Bussiness Administration http://Home.Ubalt.Edu/Nts- barsh/Stat-Data/Forecast.Html. 02.02.2013
ASSEM, A. Yassen; (2011) Comparative Study of Artificial Neu- ral Network And ARIMA Models For Economic Forecasting, Al- Azhar University, Basılmamış Yüksek Lisans Tezi, Gaza
ATASEVEN, Burçin; (2013), Yapay Sinir Ağları İle Öngörü Modellemesi, Öneri, 10 (39), ss. 101-115.
BOX, E. P. Geogerge, Gwilym M. JENKINS; (1976), Time Series Analysis: Forecasting And Control: Revised Edition, Hold- en-Day, USA.
CHAKRADHA and V. NARASIMHAN; (2007), Forecasting Ex- change Rate Better with Artificial Neural Network, Journal of Policy Modelling, 29 (2), pp. 227-236.
CHEN, Kuan-Yu and Cehng-Hua WANG; (2007), A Karma SARIMA and Support Vector Machines in Forecasting the Pro- duction Values of the Machinery Industry in Taiwan, Expert Systems with Applications, 32, pp. 254-264.
ÇATIK, A. Nazif ve Mehmet. KARAÇUK; (2012), A Comparative Analysis of Alternative Univariate Time Series Models in Forecasting Turkish Inflation, Journal of Business Economics and Management,13 (2), ss. 275-293.
ÇUHADAR, Murat, İbrahim GÜNGÖR ve Ali GÖKSU; (2009), Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırılmalı Analizi: Antalya İline Yönelik Bir Uygulama, Süleyman Demirel Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, 14 (1), ss. 99-114
DUNIS, L. Christian and C. Jason LAWS, Andreas, KARATHA- NASSOPOULOS; (2011), Modelling and Trading the Greek Stock Market with Mixed Neural Network Models, Applied Financial Economics, 21, pp. 1793-1808.
DÜZGÜN, Recep; (2008), Comparison of Artificial Neural Networks and ARIMA Models Success in GDP Forecast, Marmara Üniversitesi, İ.İ.B.F. Dergisi, XXV(2), ss. 165-176.
GRADOJEVIC, Nikola and Jing YANG; (2000), The Application of Artificial Neural Networks To Exchange Rate Forecasting: The Role of Market Microstructure Variables, Bank of Canada Working Paper, 2.
IRMAK, Sezgin, Can Deniz KÖKSAL ve Özcan ASİLKAN; (2012), Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği Yöntemleri ile Tahmin Edilmesi, Uluslararası Alanya İşletme Fakültesi Dergisi, 4(1), ss. 101-114.
İNCE, Hüseyin and Thedore, B. TRAFALİS; (2005, Karma Model For Exchange Rate Prediction, Decision Support Systems, 42, pp. 1054-1062.
KASAP, Erdoğan ve Gülçin KASAP; (2007), Yapay Sinir Ağları ile Zaman Dizileri Kestirimi ve Altın Fiyatları Üzerine Uygulanması, TÜİK 16. İstatistik Araştırma Sempozyumu Bildiriler Kitabı, ss. 192-203
KAYNAR, Oğuz ve Serkan TAŞTAN; (2009), Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve ARIMA Modelinin Karşılaştırılması, Erciyes Üniversitesi, İktisadi Ve İdari Bilimler Fakültesi Dergisi, Sayı:33, ss. 161-172.
KAYNAR, Oğuz ve Serkan TAŞTAN; (2009), Zaman Serileri Tahmininde ARIMA-MLP Melez Modeli, Atatürk Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, 23(3), ss.141-149.
MATROUSHI, Saeed and S. SAMARASINGLE; (2009), Building a Karma Neural Network Model for Gold Price Forecasting, 18th World IMACS/MODSIM Congress, Cairns, Australia.
KHASHEI, Mehdi, Mehdi BIJARI, GA. Raissi, ARDALI; (2009), Improvement of Autoregressive Integrrated Moving Averages Models Fuzzy Logic and Artificial Neural Networks (Anns), Neurocomputing, 72, pp. 956-967.
KHASHEI, Mehdi and Mehdi BIJARI; (2011), A New Karma Methodolgy for Nonlinear Time Series Forecasting, Hindawi Publishing Corporation Modelling and Simülation in Engineer- ing, Vol: 2011, pp. 1-5.
MERH, Nitin, Vinod P. SAXENA and Kamal Raj PARDASAN; (2010), A Comparison Between Karma Approaches of ANN And ARIMA for Indian Stock Trend Forecasting, Business In- telligence Journal, Vol:3, No: 2, pp. 23-43.
MERH, Nitin, Vinod P. SAXENA and Kamal Raj PARDASAN; (2011), Next Day Stock Forecasting An Application of ANN and ARIMA, The IUP, Journal of Applied Finance, Vol. 17, No:1, pp. 70-84.
NOR, Abu Hassan Shaari MD, Behrooz GHARLEGHI, Khairud- din OMAR and Tamar SARMIDI; (2011), A Novel Artificial Neural Network Model For Exchange Rate Forecasting, 2nd International Conference on Bussiness and Economic Research Proceeding, pp. 99-108.
NOURBAKSH, Fariba, Alireza ROSTAMI, Ali ARSHADI, Ahmad SARLAK and Mojtaba ALMASI; (2013), Comparative Study of Artificial Neural Networks ANN and ARIMA Method, in Predicting The Overall Index of Tehran Stock Exchange, Journal of Basic and Applied Scientific Research, 3(3), pp. 319-324.
ÖZALP, Alperen ve Sermet ANAGÜN; (2001), Sektörel Hisse Senedi Fiyat Tahmininde Yapay Sinir Ağı Yaklaşımı ve Klasik Tahminleme Yöntemleri İle Karşılaştırılması, Endüstri Mühendisliği Dergisi, 12(3-4), pp. 2-17.
PAI, Ping-Feng and Chih-Sheng LIN; (2005), Karma ARIMA and Support Vector Machines Model in Stock Price Forecasting, Omega 33, pp. 497-505.
PHAM, Duc Truong and Xing LIU; (1995), Neural Networks for Identification, Prediction and Control, Neural Network Controllers, pp. 111-130.
SHARMA, R. and R. B. PATIL; (1990), Neural Networks As Forecasting Experts: An Empirical Test, Proceedings of The International Joint Conference on Neural Networks, 2, pp. 491- 494.
STERBA Jan and HITOVSKA Katarina, Implemenatation of Karma ARIMA_Neural Network Prediction Model For Aggregate Water Consumption Prediction, 9th International Confer- ence APLIMAT 2010:377-384, (2010).
TAŞKAYA, Tuğba and Matthew C. CASEY; (2005), A Comparative Study of Autoregressive Neural Network Karmas, Neural Networks, The Official Journal of The International Neural Network Society, 18(5-6), pp. 781-789.
UÇAR, Nuri; (2001), Comparison of the Forecast Performanc- es of Linear Time Series and Artificial Neural Network Models within The Context of Turkish Inflation, The Institute of Economics and Social Sciences of Bilkent University, Ankara.
ZHANG, G. Peter, (2003), Time Series Forecasting Using A Karma ARIMA and Neural Network Model, Neurocomputing, Cilt:50, pp. 159-175.
ZHEND, Fengxia and Shouming ZHONG; (2010), Time Series Forecasting Using A Karma RBF Neural Network and AR Model Based on Binomial Smoothing, International Journal of Information Mathematical Sciences, 6 (3), pp. 208-212.