Sosyal Sorumlu Yatırım Bağlamında Pay Senedi Getirisinin Makine Öğrenmesi Yöntemleri ile Tahmin Edilmesi: Borsa İstanbul Örneği

Amaç – Bu çalışmada pay senetleri Borsa İstanbul 30/100 ve sürdürülebilirlik endeksindeki imalat sanayi şirketlerinin yılsonu mali tablo verileri ve ekonomik göstergeler kullanılarak örnek kapsamındaki şirketlerin bir yıl sonraki ortalama pay senedi getirilerinin tahmin edilmesi amaçlanmıştır. Çalışmada kullanılan yöntemlerin tahmin performansının, yöntemlerin ayırt edici özellikleri altında karşılaştırılması çalışmanın diğer amacını oluşturmaktadır. Yöntem – Örnek kapsamındaki 13 şirketin 2010-2018 döneminde yılsonu mali tabloları ve yıllık ortalama ekonomik göstergeler alınarak 2011-2019 yıllık ortalama pay senedi getirileri Yapay sinir ağları (ANN), Sınıflandırma ve Regresyon Ağaçları (CART) ve K En Yakın Komşu Algoritması (KNN) yöntemleri ile tahmin edilmiştir. Çalışmada optimal veri dağılımı için 10 katlı çapraz doğrulama yöntemi ve verilen parametre aralıklarında en yüksek tahmin sonucu veren modelin belirlenmesi amacıyla parametre optimizasyonu kullanılmıştır. Yöntemlerin performansı ROC eğrisi ile karşılaştırılmıştır. Bulgular – Analiz sonucunda CART (%94,87), ANN (%94,02) ve KNN (%92,31) genel tahmin ve sınıflandırma doğruluğu elde etmiştir. %20’den %50 ye kadar negatif getiri sağlayan örnekleri ANN (%80,00), CART (%100), KNN (%100) oranında doğru tahmin etmesi ve %20’den %50’ye kadar pozitif getiri tahmininde KNN (%100), ANN (%96,55), CART (96,55) tahmin doğruluğu elde etmesi dikkate değer bulunmuştur. Araştırmada CART karar ağacının oluşturulmasında verileri bölen önemli değişkenler olarak “Özsermaye Kârlılık Oranı” ve “Piyasa Değeri /Defter Değeri” bulunmuştur. Tartışma – Bu çalışmada kullanılan tüm yöntemler %90,00’ın üzerinde genel tahmin doğruluğu elde ederek sınıflandırma ve tahmin gerçekleştirmiştir. Gaganis (2009) çalışmasında %75’in üzerinde tespit doğruluğunun sosyal bilimler alanında iyi bir sonuç olduğunu belirtmiştir. Gaganis (2009) sınıflandırmasına göre bu çalışmadaki ANN, CART ve KNN analiz sonuçları çok iyi olarak değerlendirilebilir.

Estimating using Machine Learning Methods of Stock Return in the Context of Socially Responsible Investment: Borsa İstanbul Example

Purpose – In this study, it is aimed to predict the average stock returns of the companies within the scope of the sample in the next year by using the year-end financial statement data and economic indicators of the manufacturing industry companies in BIST 30/100 indexes and the sustainability index. The other aim of the study is to compare the prediction performance of the methods used in the study under the distinctive features of the methods. Design/methodology/approach – 2011-2019 average annual stock returns were predicted using Artificial Neural Networks (ANN), Classification and Regression Trees (CART) and K Nearest Neighbor Algorithm (KNN) after taking the year-end financial statements and annual average economic indicators of 13 companies within the scope of the sample for the period of 2010-2018. In the study, 10-fold cross validation method was used for optimal data distribution and parameter optimization to determine the model with the highest prediction success in the given parameter ranges. The performance of the methods was compared with the ROC curve. Findings – As a result of the analysis, CART (94.87%), ANN (94.02%) and KNN (92.31%) achieved overall prediction and classification accuracy. It was remarkable that ANN, CART, KNN predicted samples with negative returns from 20% to 50% with 80%, 100% and 100% prediction accuracy, respectively and KNN, ANN, CART predicted samples with positive returns from 20% to 50% with 100%, 96.55% and 96.55% prediction accuracy, respectively. “Return On Equity” and “Market Value/Book Value” were found as important variables dividing the data in the creation of the CART decision tree. Discussion – All methods used in this study achieved classification and prediction success by obtaining more than 90% overall prediction accuracy. Gaganis (2009) stated that prediction accuracy of over 75% was a good result in the field of social sciences. According to Gaganis (2009) classification, ANN, CART and KNN analysis results in this study can be evaluated as very good.

PDF

___

Adebiyi, A. A., Ayo, C. K., Adebiyi, M. O., & Otokiti, S. O. (2012). Stock Price Prediction using Neural Network with Hybridized Market Indicators. Journal of Emerging Trends in Computing and Information Sciences, 3 (1), 3 1-9.
Akcan, A., & Kartal, C. (2011). İMKB Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları ile Tahmini. Muhasebe ve Finansman Dergisi, Temmuz, 27-40.
Akpınar, H. (2014). Data Veri Madenciliği Veri Analizi. İstanbul: Papatya Yayınları.
Altınay, A., Kaki, B., Kestane, A., Soba, M., Dinçer, Ö., & Şık, E. (2017). Sürdürülebilirlik Endeksinin Bankacılık Sektörü Hisse Senedi Değerlerine Etkileri, BİST Sürdürülebilirlik Endeksi Üzerine Bir İnceleme. Sosyal Ekonomik Araştırmalar Dergisi, 17 (34), 208-229.
Anbalagan, T., & Maheswari, S. U. (2015). Classification and prediction of stock market index based on fuzzy metagraph. Procedia Computer Science, (47), 214-221.
Boyacioglu, M. A., & Avci, D. (2010). An Adaptive Network-Based Fuzzy Inference System (ANFIS) for the Prediction of Stock Market Return: The Case of the Istanbul Stock Exchange. Expert Systems with Applications, (37), 7908-7912.
Charlo, M. J., Moya, I., & Muñoz, A. M. (2015). Sustainable Development and Corporate Financial Performance: A Study Based on the FTSE4Good IBEX Index. Business Strategy and the Environment, (24), 277.
Çelik, U., Akçetin, E. ve Gök, M. (2017). Rapidminer ile Veri Madenciliği. İstanbul: Pusula Yayınları.
Dener, M., Dörterler, M. ve Orman, A. (2009). Açık Kaynak Kodlu Veri Madenciliği Programları: WEKA’da Örnek Uygulama. Conference: Xı. Akademik Bilişim Konferansı (s. 1-11). Şanlıurfa: Conference: XI. Akademik Bilişim Konferansı.
Dhanalakshmi, S. & Subramanian, C. (2014). An Analysis of Data Mining Applications for Fraud Detection in Securities Market. International Journal of Data Mining Techniques and Applications, (3), 326-335.
Enke, D., & Thawornwong, S. (2005). The use of Data Mining and Neural Networks for Forecasting Stock Market Returns. Expert Systems with Applications, (29), 927-940.
Gaganis, C. (2009). Classification Techniques for the Identification of Falsified Financial Statements: A Comparative Analysis. Intelligent Systems in Accounting, Finance and Management, (16), 207-229.
Gestel, T. V., Martens, D., Baesens, B., Feremans, D., Huysmans, J. Ve Vanthıenen, J. (2007). Forecasting and Analyzing Insurance Companies Ratings, International Journal of Forecasting, (23): 513-529.
Gök, İ. Y., & Özdemir, O. (2017). Borsa İstanbul Sürdürülebilirlik Endeksinin Performans Karakteristiği. Sosyoekonomi, 25 (34), 87-105.
Huang, W., Nakamori, Y., & Wang, S.-Y. (2005). Forecasting Stock Market Movement Direction with Support Vector Machine. Computers & Operations Research, (32), 2513-2522.
Imandoust, S. B., & Bolandraftar, M. (2014). Forecasting the Direction of Stock Market Index Movement using Three Data Mining Techniques: The Case of Tehran Stock Exchange. Int. Journal of Engineering Research and Applications, 106-117.
Jardin, P. d. (2016). A Two-Stage Classification Technique for Bankruptcy Prediction. European Journal of Operational Research, (254), 236-252.
Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Predicting Direction of Stock Price Index Movement using Artificial Neural Networks and Support Vector Machines: The Sample of The Istanbul Stock Exchange. Expert Systems with Applications, (38), 5311-5319.
Kılıç, S., (2015). Kappa Testi, Journal of Mood Disorders, 5(3), 142-144.
Liang, D., Tsai, C.-F. & Wu, H.-T. (2015). The Effect of Feature Selection on Financial Distress Prediction. Knowledge-Based Systems, (73), 289-297.
Lo´pez, M. V., Garcia, A., & Rodriguez, L. (2007). Sustainable Development and Corporate Performance: A Study Based on the Dow Jones Sustainability Index. Journal of Business Ethics, (75), 285-300.
Nair, B. B., Mohandas, V., & Sakthivel, N. R. (2010). A Decision Tree- Rough Set Hybrid System for Stock Market Trend Prediction. International Journal of Computer Applications, 6 (9), 1-6.
Oliveira, F. A., Nobre, C. N., & Zárate, L. E. (2013). Applying Artificial Neural Networks to Prediction of Stock Price and Improvement of Directional Prediction Index – Case Study of PETR4, Petrobras, Brazil. Expert Systems with Applications, (40), 7596-7606.
Önder, Ş. (2017). İşletme Kârlılığına Kurumsal Sürdürülebilirliğin Etkisi: BIST’de Bir Uygulama. Muhasebe Bilim Dünyası Dergisi, 19 (4), 937-956.
Özçalıcı, M. (2017). Aşırı Öğrenme Makineleri ile Hisse Senedi Fiyat Tahmini. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 35 (1), 67-88.
Özdemir, Z., & Pamukçu, F. (2016). Kurumsal Sürdürülebilir Raporlama Sisteminin Borsa İstanbul Sürdürülebilirlik Endeksi Kapsamındaki İşletmelerde Analizi. Mali Çözüm, Mart-Nisan, 13-35.
Özdemir, A. K., Tolun, S., & Demirci, E. (2011). Endeks Getirisi Yönünün İkili Sınıflandırma Yöntemiyle Tahmin Edilmesi: İMKB 100 Endeksi Örneği. Niğde Üniversitesi İİBF Dergisi, 4 (2), 45-59.
Özkan, Y. (2016). Veri Madenciliği Yöntemleri, İstanbul: Papatya Yayınları.
Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayınları.
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting Stock and Stock Price Index Movement using Trend Deterministic Data Preparation and Machine Learning Techniques. Expert Systems with Applications, (42), 259-268.
Silahtaroğlu, G. (2016). Veri Madenciliği Kavram ve Algoritmaları. İstanbul: Papatya Yayınları.
Sudha, S. (2015). Risk-Return and Volatility Analysis of Sustainability Index in India. Environ Dev Sustain, (17), 1329-1342.
Yang, B., Gong, Z. J., & Yang, W. (2017). Stock Market Index Prediction using Deep Neural Network Ensemble. Proceedings of the 36th Chinese Control Conference, July 26-28, 2017, Dalian, China, 3882-3887.
Yakut, E., & Gemici, E. (2017). LR, C5.0, CART, DVM Yöntemlerini Kullanarak Hisse Senedi Getiri Sınıflandırma Tahmini Yapılması ve Kullanılan Yöntemlerin Karşılaştırılması: Türkiye’de BIST’de Bir Uygulama. Ege Akademik Bakış, 17 (4), 461-479.
Yetiş, Y., Kaplan, H., Jamshidi, M., & IEEE, F. (2014). Stock Market Prediction by using Artificial Neural Network. World Automation Congress (s. 1-5). San Antonio, Texas: World Automation Congress.
Zhong, X., & Enke, D. (2017). Forecasting Daily Stock Market Return using Dimensionality Reduction. Expert Systems With Applications, (67), 126-139.
https://tr.investing.com. (Erişim Tarihi, 10.07.2020).
https://www.kap.org.tr. (Erişim Tarihi, 10.07.2020).
https://www.kpmg vergi.com. (Erişim Tarihi: 17.07.2020).