Turan KOCABIYIK, Meltem KARAATLI, Kemal Berkay AKTAŞ

Borsa İstanbul 30 Endeksinde Yer Alan Hisse Senetlerinin Kümelenmesi: COVID-19Öncesi ve COVID-19 Dönemi İncelemesi

Amaç – Bu çalışma, Borsa İstanbul 30 (BIST 30) endeksine dahil hisse senetlerinin uzun yıllar boyuncagösterdikleri fiyat davranışlarına dayanmaktadır. Araştırmada kullanılan değişkenler yardımı ile Borsaİstanbul 30 endeksinde yer alan hisse senetlerinin Canopy Kümeleme Algoritması ile hangi kümede yeraldığını tespit etmek amaçlanmıştır. Yöntem – Çalışmada, Canopy Algoritması ile kümeleme işlemi yapılmış sonrasında Wilcoxon ve PairedSample t testi ile değişkenler bazında anlamlı farklılığın olup olmadığı incelenmiştir. Çalışmada kullanılandeğişkenler, literatür taramaları ve uzman görüşleri dikkate alınarak belirlenmiştir. Çalışmaya dahil edilenhisse senetleri, 07.12.2020 tarihi itibarıyla BIST 30 endeksinde yer alan hisse senetlerinden oluşmaktadır.Çalışmada kullanılan veri seti 2012-2020 dönemini kapsamakta ve her hisse senedinin günlük olarak;kapanış, beta katsayısı, volatilite, hacim, piyasa değeri/defter değeri (PD/DD) değişkenlerindenoluşmaktadır. Bu kapsamda veri seti COVID-19 pandemisi öncesi ve COVID-19 dönemi şeklinde iki gruphalinde analize dahil edilmiştir.Bulgular – Canopy Algoritmasının, kümeleme analizinde anlamlı sonuçlar ortaya koyduğu ve kümelemesonuçları incelendiğinde 30 hisse senedinden 19 tanesinin hem pandemi öncesi hem de pandemi sonrası aynıkümede yer aldığı görülmüştür. Kümelerin oluşumunda değişkenlerin etkileri incelenmiş ve değişkenlerinkümeleme analizi için doğru seçimler olduğu sonucuna varılmıştır. Tartışma – Yatırım araçları, farklı risk getiri ilişkisine sahiptir. Hisse senetlerine yatırım yapmak isteyenyatırımcılar portföy çeşitlendirmesi yaparken hisse senetlerinin gösterecekleri davranışlara ilişkin bilgi sahibiolmalıdır. Yani düşüşlerde ve yükselişlerde birlikte hareket eden hisse senetlerine aynı portföyde yervermenin portföyün toplam riskini azaltması açısından faydalı olacağı düşünülmemektedir. Bu noktadahisse senetlerini tanımak yatırımcılara çeşitli yararlar sağlayacaktır. Çalışma sonucunda ortaya çıkanverilerin, yatırımcılara hisse senedi seçimi konusunda karar verme sürecinde fayda sağlayacağıdüşünülmektedir.

Clustering of Stocks Included in Borsa Istanbul 30 Index: A Pre-COVID-19 and COVID-19 Period Analysis

Purpose – This study is based on the price behavior of stocks included in the Borsa Istanbul 30 (BIST 30)index over many years. With the help of the variables used in the research, it is aimed to determine in whichcluster the stocks in the Borsa Istanbul 30 index are included with the Canopy Clustering Algorithm. Design/Methodology/Approach – In this study, clustering was performed with the Canopy Algorithm, andthen it was examined whether there was a significant difference on the basis of variables with the Wilcoxonand Paired Sample t test. The stocks included in the study consist of stocks included in the BIST 30 index asof 07.12.2020. The data set used in the study covers the period of 2012-2020 and each stock's daily; closing,beta coefficient, volatility, volume, market value/book value (PD/DD) variables. In this context, the data setwas included in the analysis in two groups, pre-COVID-19 pandemic and COVID-19 period.Findings – It was seen that the Canopy Algorithm revealed significant results in the clustering analysis andwhen the clustering results were examined, 19 of the 30 stocks were in the same cluster both before and afterthe pandemic. The effects of variables on the formation of clusters were examined and it was concluded thatthe variables were the right choices for cluster analysis. Discussion – Investment instruments have different risk-return relationships. Investors who want to investin stocks should have information about the behavior of stocks while diversifying their portfolio. In otherwords, it is not thought that it would be beneficial to include stocks that move together in decreases andincreases in the same portfolio in terms of reducing the total risk of the portfolio. At this point, getting toknow the stocks will provide various benefits to the investors.

PDF

___

Akpınar, H. (2017). Data: Veri Madenciliği Veri Analizi. Papatya Yayıncılık.
Aydın, D. (2013). Bankaların 2012 Yılı Sermaye Yeterlilik Rasyolarına Göre Kümeleme Analizi ve Çok Boyutlu Ölçekleme Sonucu Sınıflandırılma Yapıları. Bankacılık ve Sigortacılık Araştırmaları Dergisi, 1(5-6), 29-47.
Baynal, K., Çalış, A. (2016). Kümeleme Analizi İle Bankacılık Sektöründe Satış Stratejilerinin Belirlenmesi. Beykent Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 9(1), 13-41.
Clatworthy, J., Buick, D., Hankins, M., Weinman, J., Horne, R. (2005). The use and reporting of cluster analysis in health psychology: A review. British journal of health psychology, 10(3), 329-358.
Danacı, T., Koçtürk, O. M. (2017). Türkiye Serbest Bölgelerinin Kümeleme Analizi İle Karşılaştırılması. Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 15(4), 351-370.
Dogan, B. (2008). Bankalarin Gözetiminde Bir Araç Olarak Kümeleme Analizi: Türk Bankacilik Sektörü Için Bir Uygulama. (Basılmamış Doktora Tezi). Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü Finans ve Bankacilik Bilim Dali, Istanbul.
Eren, H., Ömürbek, N. (2019). Türkiye’nin Sağlık Göstergeleri Açısından Kümelenmesi ve Performans Analizi. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(29), 421-452.
Gazel, S., Akel, V. (2018). Borsa İstanbul’da Sektör Sınıflandırmasının Kümeleme Analizi İle Belirlenmesi. Muhasebe ve Finansman Dergisi, (77), 147-164.
Halk Yatırım, “Skor Kart”, https://www.halkyatirim.com.tr/skorkart, (07.12.2020).
Karaatlı, M., Altıntaş, E. (2019). Borsa İstanbul İşletmelerinin Veri Madenciliği İle Kümelenmesi-Clusterıng The Companıes Lısted On Stock Exchange Istanbul By Data Mınıng. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(26), 871-886.
Matriks Data, “Matriks Veri Terminali”, https://www.matriksdata.com/website/bireysel-urunler/matriksveri-terminali, (07.12.2020).
Okumuş, A., Bozbay, Z., Dağlı, R. (2010). Banka Müşterilerinin İnternet Bankacılığına İlişkin Tutumlarının İncelenmesi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (36), 89-111.
Punj, G., Stewart, D. W. (1983). Cluster analysis in marketing research: Review and suggestions for application. Journal of marketing research, 20(2), 134-148.
Ramoni, M. F., Sebastiani, P., Kohane, I. S. (2002). Cluster analysis of gene expression dynamics. Proceedings of the National Academy of Sciences, 99(14), 9121-9126.
Romesburg, C. (2004). Cluster analysis for researchers. Lulu Press.
Rong, C. (2011). Using Mahout for clustering Wikipedia's latest articles: A comparison between k-means and fuzzy c-means in the cloud. In 2011 IEEE Third International Conference on Cloud Computing Technology and Science, 565-569.
Salighehdar, A., Liu, Y., Bozdog, D., Florescu, I. (2017). Cluster analysis of liquidity measures in a stock market using high frequency data. Journal of Management Science and Business Intelligence, 2(2), 1-8.
Şchiopu, D. (2010). Applying twostep cluster analysis for identifying bank customers’ profile. Buletinul, 62(3), 66-75.
Turanlı, M., Özden, Ü. H., Türedi, S. (2006). Avrupa Birliği’ne Aday ve Üye Ülkelerin Ekonomik Benzerliklerinin Kümeleme Analiziyle İncelenmesi, İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 5(9), 95-108.
Yılmaz, M., Dağ, O., Kocabıyık, T. (2020). Güncel gelişmeler ışığında kripto paraların kümelenmesi. Turkish Studies - Economy, 15(3), 1753-1773.
Yu, C. J., Zhang, R. (2014). Research of FCM algorithm based on canopy clustering algorithm under cloud environment. Computer Science, 41(11A), 316-319.
Yuan, C., Yang, H. (2019). Research on K-value selection method of K-means clustering algorithm. JMultidisciplinary Scientific Journal, 2(2), 226-235.