Hisse senedi fiyat tahmininde ekonometrik ve makine öğrenme yöntemlerinin karşılaştırılması: BIST bankacılık uygulaması

Özet: Hisse senedi fiyat tahmin çalışmaları uzun zamanlardan beri yapılmakta olan ve her geçen gün geliştirilen yöntemler ile yapılmaya devam eden bir çalışma alanıdır. Genel itibariyle ekonometrik ve makine öğrenme yöntemleri şeklinde iki grup halinde yapılan çalışmalar gelişen yeni tekniklerin uyumlanması ile birlikte daha da çeşitlenmektedir. Bu tez kapsamında ekonometrik yöntemlerden ARIMA ve ARIMAX ile makine öğrenme yöntemlerinden NNAR ve NNET yöntemleri karşılaştırılmıştır. Bu dört yöntem aynı zamanda otoregresif yöntemler (ARIMA ve NNAR) ve bağımsız değişkenli yöntemler (ARIMAX ve NNET) olarak da gruplanabilmektedir. Bu yöntemlerin performansları Türkiye'de piyasaların en önemli aktörlerinden biri olması, kurumsal yapılarının güçlü olması, ekonomiye yön verme potansiyeline sahip olmaları ve yatırımcı açısından önemli sinyaller barındırması sebebiyle BİST Bankacılık şirketleri (Akbank Türkiye A.Ş., Garanti Bankası A.Ş., Halk Bankası A.Ş., İş Bankası A.Ş., Vakıflar Bankası T. A. O. ve Yapı ve Kredi Bankası A.Ş.) kullanılarak gerçekleştirilmiştir. Uygulama kısmında bağımsız değişkenli yöntemler için dışsal girdilere ihtiyaç duyulması sebebiyle hisse senetlerinin günlük işlemlerinden türetilen 25 adet teknik gösterge ve piyasa değişkenleri kullanılmıştır. Tüm bu değişkenlerin hisse senedi fiyatı üzerinde etkilerinin aynı olmaması ve her hisse senedinin kendine ait dinamik ve karakteristik yapısında farklılık gözeteceği noktalarından hareket ile her bankaya ait kendine özgü model oluşturulmuştur. Bu aşamada on adet değişken azaltma tekniği uygulanmıştır. Bunlardan beş tanesi (SFBS, MARS, RFE, GA ve SA) kapanış fiyatı ile en yüksek ilişkili değişken kümesini herhangi bir ağırlıklandırma yapmadan sunarken, diğer beş tanesi (BORUTA, LM, RF, SVM KNN) tüm değişkenlerin kapanış fiyatını temsil etmesini önem derecesi olarak sunmuştur. Modeli oluşturan değişkenler, yöntemlerde başarılı kümelerde yer alma sıklıkları ve hisse senedi fiyatı ile ilişkisi göz önüne alınarak seçilmiştir. Ekonometrik ve makine öğrenme yöntemleri bankalara özgü model verilerine uygulanan kayan pencere tekniği yardımıyla uygulanmıştır. Yöntem kıyaslamasının yanı sıra veri periyotları 220, 180, 120, 90, 60 ve 30 günlük olarak belirlenmiş ve periyot farklılıklarının etkileri incelenmiştir. Bunun yanı sıra tahmin penceresi de 1 günden 10 güne kadar belirlenmiş ve pencerelerin yöntemler üzerindeki etkileri incelenmiştir. Bankalara ait analizler yıllar kapsamında değerlendirilmiş olup 2016, 2017, 2018, 2019 ve 2020 yılları ayrı ayrı yorumlanmıştır.