Prediction of Stock Market Index Direction with Machine Learning Methods: Sample of BIST

Basit Öğe Kaydı
dc.contributor.authorÖzcan, Kübra Akyol
dc.date.accessioned2026-02-28T12:26:18Z
dc.date.available2026-02-28T12:26:18Z
dc.date.issued2023
dc.departmentBayburt Üniversitesi
dc.description.abstractPredicting the direction (increase or decrease) of stock market indexes and stock prices has long attracted the attention of investors and researchers. Establishing a connection between the past and future data makes this prediction difficult. The mentioned connection is established through econometric or neural network models. Neural network models do not require strict assumptions like econometric models and can utilize qualitative and quantitative data. In this study, monthly average BIST 100 index values were taken between January 2002 and September 2022, and a two-group dependent variable was formed as "1" for cases with an increase compared to the previous month and "0" for cases with a decrease. The 1st and 2nd lagged values of BIST 100, S&P 500, CAC40, FTSE10, NIKKEI225DAX, SHANGAICOMP, ONSUSD, USDTRY, VIX and REPO variables were taken as independent variables. A total of nine different machine learning methods which are Logistic Regression Analysis (LR), Linear Discriminant Analysis (LDA), Naive Bayes Algorithm (NB), Random Forests Algorithm (RF), K-Nearest Neighborhood Algorithm (KNN), Classification and Regression Trees Algorithm (CART), Artificial Neural Networks (NNET), Support Vector Machines with Radial Basis Function (SVM-RBF), Support Vector Machines with Polynomial Kernel Function (SVM-POLY) were used for direction prediction for BIST 100 index in practice. In conclusion, it is observed that linear methods produce more successful estimation results.
dc.description.abstractBorsa endeksleri ve menkul kıymetler için yön (artış veya azalış) tahmininde bulunmak yatırımcıların ve araştırmacıların uzun zamandır dikkatini çekmektedir. Geçmiş verilerle gelecek veriler arasındaki bağlantının kurulması bu tahmini zorlaştırmaktadır. Söz konusu bağlantı ekonometrik modeller veya yapay zeka modelleri yardımıyla kurulmaktadır. Yapay zeka modelleri ekonometrik modeller gibi katı varsayımlar gerektirmez, nitel ve nicel verileri kullanabilir. Bu çalışmada Ocak 2002 - Eylül 2022 tarihleri arasında aylık ortalama BIST 100 endeks değerleri alınarak, bir önceki aya göre artış gerçekleşen durumlar için "1", azalış gerçekleşen durumlar için "0" şeklinde iki gruplu bir bağımlı değişken oluşturulmuştur. BIST 100, S&P 500, CAC40, FTSE10, NIKKEI225DAX, SHANGAICOMP, ONSUSD, USDTRY, VIX ve REPO değişkenlerinin 1. ve 2. gecikmeli değerleri bağımsız değişken olarak alınmıştır. Uygulamada BIST 100 endeksi için yön tahmininde Lojistik Regresyon Analizi (LR), Lineer Diskriminant Analizi (LDA), Naive Bayes Algoritması (NB), Rastgele Ormanlar Algoritması (RF), K-En Yakın Komşuluk Algoritması (KNN), Sınıflandırma ve Regresyon Ağaçları Algoritması (CART), Yapay Sinir Ağları (NNET), Gauss Çekirdek Fonksiyonu ile Destek Vektör Makineleri (SVM-RBF), Polinomiyal Çekirdek Fonksiyonu ile Destek Vektör Makineleri (SVM-POLY) olmak üzere toplam dokuz farklı makine öğrenme metodu kullanılmıştır. Sonuç olarak lineer yöntemlerin daha başarılı tahmin sonuçları ürettiği görülmektedir.
dc.identifier.doi10.36362/gumus.1318650
dc.identifier.endpage1018
dc.identifier.issn1309-7423
dc.identifier.issn1309-7423
dc.identifier.issue3
dc.identifier.startpage1001
dc.identifier.urihttps://doi.org/10.36362/gumus.1318650
dc.identifier.urihttps://hdl.handle.net/20.500.12403/6920
dc.identifier.volume14
dc.language.isotr
dc.publisherGumushane University
dc.relation.ispartofGümüşhane University Journal of Social Sciences
dc.relation.ispartofGümüşhane Üniversitesi Sosyal Bilimler Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_20260218
dc.subjectEconomic Models and Forecasting
dc.subjectEkonomik Modeller ve Öngörü
dc.titlePrediction of Stock Market Index Direction with Machine Learning Methods: Sample of BIST
dc.title.alternativeBorsa Endeksi Yönünün Makine Öğrenmesi Yöntemleri ile Tahmini: BIST 100 Örneği
dc.typeArticle

Dosyalar

Koleksiyon

Öksüz Yayınlar Koleksiyonu