Buradasınız

Anasayfa » Content

YALIN SİNİRSEL BULANIK BİR MODEL İLE İMKB 100 ENDEKSİ TAHMİNİ

A SIMPLE NEURO FUZZY MODEL FOR ISE 100 INDEX PREDICTION

Journal Name:

  • Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi

Publication Year:

  • 2011

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
In this paper, Istanbul Stock Exchange (ISE) National 100 Index retrospective predictability was tested by using the Adaptive Neuro Fuzzy Inference System (ANFIS). In addition, contribution of the inputs to the model for index forecasting was evaluated on the basis of prediction performance. The most important factor to successful stock market prediction is achieving best results using minimum required input data and the least complex stock market model. In this context, we aim to prove consistent prediction of ISE 100 index without having to use a lot of input variables with ANFIS. For this purpose, about four and a half year period was chosen as the analysis period; two input variables (the exchange rate and repurchasing interest rate) and three input variables (the exchange rate, repurchasing interest rate and trading volume) were established in two different models. Consistent prediction results have been obtained with high predictive factor with both of the models. As a result, that is concluded that the ISE 100 Index has short-term predictability using only two input variables, without the need for a complex model with ANFIS.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada, İstanbul Menkul Kıymetler Borsası (İMKB) Ulusal 100 Endeksinin öngörülebilirliği geriye dönük olarak Adaptif Sinirsel Bulanık Çıkarım Sistemi (Adaptive Neuro Fuzzy Inference System - ANFIS) kullanılarak kurulan modeller ile test edilmiştir. Ayrıca endeksin tahmini için kullanılan girdilerin modele katkıları da tahmin performansı esas alınarak değerlendirilmiştir. Başarılı borsa tahmininde en önemli unsur, en az sayıda girdi ve en az karmaşık model ile en iyi sonucun elde edilebilmesidir. Bu bağlamda bu çalışmada çok fazla girdi değişkeni kullanılmasına gerek duyulmadan, İMKB 100 endeksinin ANFIS ile ne derece tutarlı tahmin edilebileceği gösterilmek istenmiştir. Bu amaçla, analiz dönemi olarak yaklaşık dört buçuk yıllık bir süre seçilmiş; iki girdili (dolar kuru ve gecelik faiz oranı) ve üç girdili (dolar kuru, gecelik faiz oranı ve işlem hacmi) olmak üzere iki farklı model kurulmuştur. ANFIS kullanılarak her iki model ile de belirleyicilik katsayısı yüksek olan, dolayısıyla tutarlı tahmin sonuçları elde edilmiştir. Elde edilen deneysel sonuçlar, ANFIS ile yalnızca iki girdi değişkeni kullanılarak, karmaşık bir modele gereksinim duyulmadan, İMKB 100 Endeksinin kısa dönemde öngörülebilir olduğunu göstermiştir.
FULL TEXT (PDF): 
PDF icon arastirmax-yalin-sinirsel-bulanik-bir-model-ile-imkb-100-endeksi-tahmini.pdf
  • 4
897
904
  • Turkish

REFERENCES

References: 

1. Kutlu, B., Badur, B., “Yapay Sinir Ağları İle
Borsa Endeksi Tahmini”, Yönetim, 63:25-40,
(2009)
2. İşeri, M., Çağlar, H., Çağlar N., “A model
proposal for the chaotic structure of Istanbul stock
exchange”, Chaos, Solitons and Fractals
36:1392–1398, 2008.
3. Murphy, J.J, “Technical Analysis of the
Financial Markets: A Comprehensive Guide to
Trading Methods and Applications” New York
Institute of Finance, 1999.
4. Diler, A. İ., “İMKB Ulusal 100 Endeksinin
Yönünün Yapay Sinir Ağları: Hata Geriye Yayma
Yöntemi ile Tahmin Edilmesi”, İMKB Dergisi,
7:65–81, 2003.
5. Yumlu, S., Gürgen, F., Okay, N., “A Comparison
of Global,Recurrent and Smoothed-Piecewise
Neural Models for Istanbul Stock Exchange
Prediction”, Pattern Recognition Letters,
26:2903- 2103, 2004.
6. Altay, E., Satman, M. H., “Stock Market
Forecasting: Artificial Neural Networks and Linear
Regression Comparison in an Emerging Market”,
Journal of Financial Management and Analysis,
18(2):18-33, 2005.
7. Karaatlı, M., Güngör, İ., Demir Y. Kalaycı, Ş.,
“Hisse Senedi Fiyat Hareketlerinin Yapay Sinir
Ağları Yöntemi ile Tahmin Edilmesi”, Balıkesir
Üniversitesi İİBF Dergisi, 2(1), 22–48, 2005.
8. Karaçor, Z., Alptekin, V. “Finansal Krizlerin
Önceden Tahmin Yoluyla Değerlendirilmesi:
Türkiye Örneği”, Yönetim ve Ekonomi, 13 (2),
237-256, 2006.
9. Avcı, E., “Forecasting daily and sessional returns
of the ISE-100 index with neural network models”,
Journal of Dogus University, 8(2):128–142, 2007.
10. Hamzaçebi, C., Bayramoğlu, M. F., “Yapay
Sinir Ağları ile İMKB 100 Endeksinin Tahmini”,
YAEM 27.Ulusal Kongresi, Dokuz Eylül
Üniversitesi Mühendislik Fakültesi Endüstri
Mühendisliği Bölümü ve Yöneylem Araştırması
Derneği, 2007.
11. Yıldız, B., Yalama A., Coşkun M., “Forecasting
the Istanbul Stock Exchange National 100 Index
Using an Artificial Neural Network”, World
Academy of Science, Engineering and
Technology 46:36-39, 2008.
12. Öğüt, H., Doğanay M. , Aktaş,R., “Detecting
stock-price manipulation in an emerging market:
The case of Turkey”, Expert Systems with
Applications 36 :11944–11949, 2009.
13. Quek, C. Predicting the impact of anticipator
action on US stock market – An event study using
ANFIS (a neural fuzzy model). Computational
Intelligence, 23, 117–141, 2005.
14. Trinkle, B. S., “Forecasting annual excess stock
returns via an adaptive network-based fuzzy
inference system”, Intelligent Systems in
Accounting, Finance and Management, 13(3),
165–177, 2006.
15. Atsalakis, G., Valavanis, K., “Forecasting stock
market short-term trends using a neuro-fuzzy based
methodology” Expert Systems with Applications,
36(3) : 10696–10707, 2009.
16. Akbar E., Werya A. , “Adapted Neuro-Fuzzy
Inference System on indirect approach TSK fuzzy
rule base for stock market analysis”,Expert
Systems with Applications 37:4742–4748, 2010.
17. Boyacioglu, M., A., Avci, D., “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, 2010.
18. Atsalakis G., Valavanis K., “Surveying stock
market forecasting techniques – Part II: Soft
computing methods”, Expert Systems with
Applications 36(3) : 5932–5941 2009.
19. Baykal, N., Beyan T., “Bulanık mantık uzman
sistemler ve denetleyiciler”, Bıçaklar Kitabevi,
Ankara 2004.
20. Abraham, A., “Neuro-fuzzy systems: state-ofthe-
art modeling techniques, connectionist models
of neurons, learning processes and artificial
intelligence”, Lecture Notes in Computer
Science, 2084: 269-276, 2001.
21. Takagi, T., Sugeno, M., “Fuzzy identification of
systems and its applications to modelling and
control”, IEEE Transactions on Systems, Man,
and Cybernetics, 15: 116–132, 1985.
22. Jang, J. S. R., “ANFIS: Adaptive-network
based fuzzy inference systems”, IEEE Trans. On
Systems, Man, and Cybernetics, 23 (03): 665-
685, 1993.
23. Demuth, H., Beale, M., “Anfis and the ANFIS
Editor GUI” Fuzzy logic toolbox for use with
Y. Ok ve Ark. Yalın Sinirsel Bulanık Bir Model İle…
904 Gazi Üniv. Müh. Mim. Fak. Der. Cilt 26, No 4, 2011
MATLAB, User’s Guide Version 4, 2:104-130,
MA, 2000.
24. Izumi, K., & Ueda, KAnalysis of exchange rate
scenarios using an artificial market approach.
Proceedings of the international conference on
artificial intelligence, 2:360–366, 1999.
25. Akel, V., Bayramoğlu, M., F., “Kriz
Dönemlerinde Yapay Sinir Ağlari ile Finansal
Öngörüde Bulunma: İmkb 100 Endeksi Örneği”,
International Symposium on International
Capital Flows and Emerging Markets, Balıkesir,
2008.

Thank you for copying data from http://www.arastirmax.com