Aşağıda örnek olması bakımından yer verilen grafikler incelendiğinde, tahmin edilen teknik gösterge verilerinin bu göstergelerin gerçekleşme verilerini oldukça iyi düzeyde ima ettikleri gözlemlenmektedir. Fakat, teknik göstergelerin gerçekleşme ve tahminleri arasındaki günlük bazdaki farkların mutlak değerleri hesaplandığında, göstergelerin günlük bazda küçük gibi görünen farkların aslında bütün olarak anlamlı ve önemli bir seviyede olduğu görülmektedir. Daha önce de ifade edildiği gibi finansal zaman serilerinin tahmini oldukça güç bir iş olmakla birlikte bu nispette üzerinde yapılan önemli ve çok sayıda araştırmalar mevcuttur. Söz konusu farkların portföy getirisine etkisini ölçmek amacıyla bir test kurgulanmıştır. Buna göre, teknik göstergelerin gerçekleşme değerleri kullanılarak destek vektör makineleri modeli çalıştırılmış ve hisse senedi getiri tahminleri bu şekilde elde edilmiştir. Bu tahminlerle yapılan portföy optimizasyonu yapılmış ve elde edilen getiri teknik göstergelerin tahmin verilerinden yola çıkılarak elde edilen portföyün getirisi ile kıyaslanmıştır. Bu çerçevede, Grafik 10’da gösterildiği üzere hisse senetlerinin test dönemi için destek vektör makinelerine girdi olarak teknik göstergelerinin tahminleri yerine gerçek değerlerinin kullanılması halinde 250 günlük test dönemi sonunda %230 oranında astronomik sayılabilecek bir getiri elde edilebileceği gösterilmektedir.
Bu sonuç hibrit bir modelin parçaları olan GARCH-ARMA ve destek vektör makinelerinin performanslarını ayrıştırması bakımından da önem arz etmektedir.
Elde edilen astronomik kümülatif getiriden anlaşıldığı üzere, teknik gösterge değerlerinin gerçekleşme değerleri kullanılması durumunda destek vektör makinelerinin ürettiği hisse senedi getiri tahminleri oldukça başarılı ve verimli sonuçlar üretebilmektedir. Dolayısıyla, grafik üzerinde teknik göstergelerin tahminleri her ne kadar gerçekleşme verilerini takip eder nitelikte gözükse de küçük görünen sapmaların 250 günlük nihai kümülatif getiri değerleri üzerinde önemli düzeyde etkileri olduğu ortaya çıkmıştır. Dolayısıyla finansal zaman serisi analizlerinde örneklem dışı tahmin yapmanın zorluğu açıkça görülmekle birlikte, söz konusu hibrit modelin özellikle ekonometrik GARCH-ARMA modeli kısmındaki tahminlerin daha da iyileştirilebilmesi durumunda nihai sonuçlara sağlayacağı çok önemli katma değerlerin ortaya çıkacağı düşünülmektedir.
Destek vektör makineleri yapay zeka modelinin, son zamanlarda araştırmacılar tarafından diğer bilimsel alanlarda olduğu gibi finans alanında da gittikçe fazla sayıda araştırmalara konu olması bakımından önemi artmaktadır (Bruder vd., 2011). Ayrıca, finansal veriler arasındaki ekonomi ve finans araştırmacılarının ortaya tam olarak koyabilmesi için, günümüzdeki büyük verileri ve bu veriler arasındaki karmaşık ilişkileri de düşündüğümüzde, geleneksel olarak kullanılan en küçük kareler yöntemi, ekonometrik modeller, trend analizleri gibi yöntemlerden ziyade yapay zeka yöntemleri ve nonlineer modeller gibi modellerin kullanımı önerilmektedir (Varian, 2013). Nitekim bu çalışmada da, hisse senetlerine ait teknik göstergelerin örneklem dışı tahminlemeleri kullanılarak bu hisse senetlerinin getirileri yapay zeka modellerinden destek vektör makineleri ile tahminlemesi yapılmıştır.
Grafik 3: Teknik Göstergelerin Test Dönemi için Tahmin ve Gerçekleşmeleri
0 20 40
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239
Akbank, ADXR Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
-1 -0.5 0 0.5 1 1.5
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239
Arçelik, MACD Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
-2 -1 0 1 2
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239
BİMAŞ, MACD Sinyal Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
0 10 20 30 40 50
1 17 33 49 65 81 97 113 129 145 161 177 193 209 225 241
CCOLA, EMAVG Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
Destek vektör makineleri ile kurulan yapay zeka modeli eğitilirken BIST 30 endeksinde 2016 Mart ayı itibarıyla yer alan hisse senetlerinin mümkün olduğu kadar tarihsel olarak en geriye kadar getiri verileri ile birlikte bu çalışmada kullanılan 9 adet farklı teknik göstergenin verileri Bloomberg veri terminalinden elde edilerek kullanılmış ve yapay zeka modelinin mümkün olduğu kadar çok farklı ve fazla sayıda olayı görmesi ve öğrenmesi sağlanmaya çalışılmıştır.
Nitekim yapay zeka modellerinin daha başarılı tahmin sonuçları üretmesi o modelin tahminine konu olan finansal varlığın çok çeşitli finansal koşullarda
0 0.5 1
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239
ENKAI, HURST Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
0 0.2 0.4
1 17 33 49 65 81 97 113 129 145 161 177 193 209 225 241
EREGLI, ATR Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
0 50 100
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239
FROTO, RSI Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
0 5 10
1 17 33 49 65 81 97 113 129 145 161 177 193 209 225 241
GARANTI, SMAVG Göstergesi Tahmin ve Gerçekleşmesi
Tahmin Gerçekleşme
-1 0 1
1 18 35 52 69 86 103 120 137 154 171 188 205 222 239
EKGYO, FEAR_GREED Göstergesi Tahmin ve
Gerçekleşmesi
Tahmin Gerçekleşme
fiyatının ne ölçüde değiştiğinin gösterilmesine ve öğretilmesine bağlıdır. İşte bu sebeple veri gözlem sayısı görece az olan hisse senetlerinin geçmişe dönük olarak yeteri kadar farklı finansal koşulları öğrenememesinden dolayı hisse senedi getiri tahminleri bu senedin fiyatının oynak hareketlerini yakalayabilmekte geçmişe dönük olarak daha fazla veriye sahip hisse senetlerine göre daha başarısız olmasına sebep olmuştur.
Grafik 4’de destek vektör makineleri ile kurulan yapay zeka modeliyle yapılan hisse senedi getiri tahminleri ile gerçekleşmelerinin kıyaslaması yapılmıştır. Bu grafik setinde, bu bölümde, tüm hisse senetlerine ait getiri tahmin ve gerçekleşmeleri verilmemiş olmakla birlikte, tüm hisse senetlerine ait getiri tahminleri ve gerçekleşmelerine ilişkin karşılaştırma grafikleri Ek-3’den erişebilir.
Bilindiği gibi, finansal verilerin, özellikle de oynaklığın yüksek olduğu ve belirsizliklerin çok olduğu gelişmekte olan sermaye piyasalarındaki fiyat hareketlerinin, tahmin edilmesi oldukça güçtür. Nitekim, aşağıda yer alan bazı hisse senetlerinin test dönemi için getiri tahmin ve gerçekleşme değerlerini içeren grafikleri incelendiğinde, tam bir uyumun olmadığı gözlemlenmektedir. Ne var ki, getirilerin genel olarak yönlerinin doğru tahmin edilebiliyor olması dahi yatırımcılar için çok büyük önem arz etmektedir. Bununla birlikte, şimdiye kadar yapılmış akademik çalışmaların, bu çalışmada da olduğu gibi, hisse senetlerinin getirilerini sıfır hatayla tahmin gibi bir iddiası yoktur. Bunlara rağmen, özellikle veri kısıtı bulunan BİM AŞ dışındaki hisse senetlerinin gerçekleşmiş getiri verilerinin hareketlerinin önemli ölçüde tahmin edilebildiği görülmektedir.
Yukarıda, teknik göstergelerin tahmin edilmesi ve elde edilen tahminlerin, öncesinde geçmiş veriler ile eğitilen destek vektör makineleri yapay zeka modelinde kullanılarak hisse senetlerinin ilgili test dönemine ait hisse senedi getirilerinin tahmin edilmesi ayrıntısı ile anlatılmıştır ve elde edilene sonuçlar grafiklerle sunulmuştur. Bu aşamalardan sonra ise, elde edilen hisse senedi getiri tahminleri kullanılarak, bu tez çalışmasına konu hisse senetleri arasındaki ilişkiler de dikkate alınarak bu hisse senetlerinden bir finansal portföy oluşturulması amaçlanmıştır.
Daha önce de ifade edildiği gibi, bu tez çalışmasında BL modelde girdi olarak kullanılan yatırımcı görüşlerinin sistematik ve sayısal analize dayalı olarak oluşturulması amaçlanmaktadır. Buna göre, her bir hisse senedinin test dönemi için tahmin edilen getiri değerleri her bir gün için mutlak yatırımcı görüşü olarak ele alınmıştır. Sonrasında ise “Sharpe Oranını” ençoklaştıracak şekilde
“Microsoft Excel” ortamında çözücü (solver) aracı ile söz konusu yatırımcı görüşlerinin de BL modeline dahil edilmesiyle portföy optimizasyonu test dönemi için günlük olarak yapılmıştır. Fakat elde edilen günlük bazdaki portföyler yatırımcıların günlük pozisyon değiştirmelerini önerildiği anlamına gelmemektedir. Elde edilen portföy optimizasyon sonuçları değerlendirilerek yatırımcıların portföyleri elde tutma süreleri ile ilgili de 250 iş günü test dönemi için analiz yapılmıştır. Buna göre sırasıyla 10, 20, 30, 40, 60 ve 80 iş günü elde tutma süreleri dikkate alınarak gerek hibrit modelin önerdiği portföylerin gerekse BIST 30 endeksinin ortalama getirisi hesaplanarak kıyaslama yapılmaktadır.
Grafik 4: Seçilmiş Hisse Senetleri Getirileri Tahmin ve Gerçekleşmeleri
*
Örneğin
Kayan periyotlar ile ilgili getiri hesaplamaları yapılırken, öncelikle test döneminin 1 inci günü oluşturulan portföyün eğer 10 günlük kayan periyot söz konusu ise 10 uncu günün sonuna kadar veya 11 inci güne kadar bu portföy sabit kalmaktadır ve bu 10 günlük dönem sonundaki getiri hesaplanmaktadır. Sonraki dönemler ise 1 er günlük kaydırmalar şeklinde, 2-11, 3-12 vb. şekilde test dönemi sonuna kadar 241-250 dönemine kadar hesaplanmaktadır. Böylece 250 günlük test dönemi için 10 ar günlük kayan periyotlarda 241 adet gözlemin getirisi hesaplanabilmektedir. Eğer kayan periyot süresi 10 yerine 20 ise bu durumda da kayan dönemler 1-20, 2,21, 3,22, …231-250 şeklinde olmaktadır. Bu kural çerçevesinde 80 günlük kayan periyoda kadar kademeli olarak artırılan dönemler itibarıyla getiriler hesaplanmıştır. Bu hesaplamalarla hem bu dönemler itibarıyla hibrit BL modelle BİST 30 endeksinin getirileri kıyaslanabilmekte hem de yatırımcıların optimum portföy elde tutma süresi ile ilgili bir değerlendirme yapılabilmektedir.
Yapılan analizler neticesinde 10 günlük kayan periyot bazında BIST 30 endeksi ve modelin önerdiği portföylerin 10 günlük ortalama getirileri Grafik 5’de gösterilmektedir. Grafikten de gözlemlenebileceği üzere 10 günlük kayan periyotlarda hibrit modelin portföy getirisi zaman zaman BIST 30 endeksinin getirisine göre daha düşük düzeyde olabilmektedir. Buna rağmen söz konusu 10 günlük kayan periyotların 250 günlük test döneminin bütünü için ortalama getirileri değerlendirildiğinde, hibrit BL modelinin önerdiği ortalama getiri BIST 30 endeksinin ortalama getirisine göre oldukça yüksek düzeydedir. Söz konusu getiriler hibrit model ve endeks için sırasıyla yaklaşık yüzde 19 ve 5 olarak hesaplanmıştır. Bahsi geçen farklı elde tutma süreleri ile ilgili olarak yapılan tüm kayan periyotların bir arada kıyaslaması söz konusu 250 günlük dönem için birlikte yapılarak Grafik 17 ve Grafik 18’de ayrıca gösterilmektedir.
Grafik 5: 10 Günlük Kayan Periyotlar Getiri Kıyaslaması
Grafik 6: 10 Günlük Kayan Periyotlar Ortalama Getiri Kıyaslaması
(15.00) (10.00) (5.00)
5.00 10.00 15.00 20.00
1 15 29 43 57 71 85 99 113 127 141 155 169 183 197 211 225 239
Bist 30 Index BL Model
0.76
0.19
0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80
Hibrit BL Model BIST 30 İndeksi
% Getiri
Yukarıda 10 günlük kayan periyotlar için yapılan analiz ve grafiksel gösterimler aşağıda sırasıyla 20, 30, 40, 60 ve 80’er günlük kayan periyotlar için tekrarlanarak elde edilen sonuçlar sunulmaktadır.
Grafik 7: 20 Günlük Kayan Periyotlar Getiri Kıyaslaması
Grafik 8: 20 Günlük Kayan Periyotlar Ortalama Getiri Kıyaslaması
-20 -15 -10 -5 0 5 10 15
1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222
BİST 30 İndeksi BL Modeli
1.35
0.07
0.20 0.40 0.60 0.80 1.00 1.20 1.40 1.60
Hibrit BL Model BIST 30 İndeksi
% Getiri
Kayan periyot getiri hesaplamasında kayan periyot süresi veya portföyü elde tutma süresi 20 güne çıkarıldığında model ile endeks arasındaki getiri farkı önemli ölçüde açılmaktadır. İlgili dönem getirileri yukarıdaki grafikte de görüleceği üzere 20 katlık farkla modelin ve endeksin getirileri sırasıyla yüzde 1,35 ve 0,07 olarak gerçekleşmiştir.
Söz konusu dönem 30 güne çıkarıldığında, BİST 30 endeksinin 30 günlük kayan periyotlar ortalama getirisi negatif olmaktadır. Aynı dönem için modelin ortalama getirisi 20 günlük kayan döneme göre bir miktar düşmekte ve 1,29 olarak gerçekleşmektedir. Fakat bu getirinin 30 günlük getiri olduğu değerlendirildiğinde 20 günlük yüzde 1,35’lik getiriye göre önemli bir düşüş sayılabilecektir. Diğer taraftan, grafik 9’da da görüleceği üzere test dönemi içindeki günler itibarıyla BL modelin 30 günlük kayan dönem getirisi daha önceki hesaplamalardan farklı olarak daha uzun süreli ve büyük miktarda BİST 30 endeksinin getirisinin altında kalmaktadır. Hal böyleyken, yatırımcının şu ana kadar yapılan analizlerde 20 günlük elde tutma süresinin 10 ve 30 günlük elde tutma sürelerine göre daha iyi performans elde edebileceği değerlendirilmektedir. Bununla birlikte bu denge daha uzun süreli elde tutma süreleri ile birlikte yeniden değerlendirilecektir.
Grafik 9: 30 Günlük Kayan Periyotlar Getiri Kıyaslaması
-25 -20 -15 -10 -5 0 5 10 15 20
1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 222
BİST 30 İndeksi BL Modeli
Grafik 10: 30 Günlük Kayan Periyotlar Ortalama Getiri Kıyaslaması
Grafik 11: 40 Günlük Kayan Periyotlar Getiri Kıyaslaması
1.29
(0.36) (0.60)
(0.40) (0.20) 0.20 0.40 0.60 0.80 1.00 1.20 1.40
Hibrit BL Model BIST 30 İndeksi
% Getiri
-20 -15 -10 -5 0 5 10 15 20 25 30
1 14 27 40 53 66 79 92 105 118 131 144 157 170 183 196 209 BİST 30 İndeksi BL Modeli
Grafik 12: 40 Günlük Kayan Periyotlar Ortalama Getiri Kıyaslaması
Grafik 13: 60 Günlük Kayan Periyotlar Getiri Kıyaslaması
1.14
(1.01) (1.50)
(1.00) (0.50) 0.50 1.00 1.50
Hibrit BL Model BIST 30 İndeksi
% Getiri
(25.00) (20.00) (15.00) (10.00) (5.00) 5.00 10.00 15.00 20.00 25.00 30.00
1 14 27 40 53 66 79 92 105 118 131 144 157 170 183
BL Modeli BİST 30 İndeksi
Grafik 14: 60 Günlük Kayan Periyotlar Ortalama Getiri Kıyaslaması
Grafik 15: 80 Günlük Kayan Periyotlar Getiri Kıyaslaması
0.69
(2.22) (2.50)
(2.00) (1.50) (1.00) (0.50) 0.50 1.00
Hibrit BL Model BIST 30 İndeksi
% Getiri
(30.00) (20.00) (10.00)
10.00 20.00 30.00
1 14 27 40 53 66 79 92 105 118 131 144 157 170
BL Modeli BİST 30 İndeksi
Grafik 16: 80 Günlük Kayan Periyotlar Ortalama Getiri Kıyaslaması
Yukarıda yer alan grafikler incelendiğinde 40, 60 ve 80 günlük elde tutma sürelerinde hem hibrit modelin hem de BİST 30 endeksinin ortalama getirileri giderek kötüleşmektedir. Her ne kadar modelin getirisi BİST 30 endeksi getirilerine göre daha yüksek olsa da elde tutma süresi 20 günden sonraki dönemler için arttıkça getiri oranı da kötüleşmiştir. Test dönemi süresi içinde ise kayan periyotlar bazında getiriler kıyaslandığında, yukarıdaki grafiklerde de görüleceği üzere, her dönem için hibrit BL modelin portföy getirileri BİST 30 endeksi getirilerine göre genelde daha yüksek düzeyde seyrediyor olmasına rağmen dönem dönem endeksin altında da kalmıştır. Fakat bu tek başına bir anlam ifade etmemekte, söz konusu kayan dönemlerin ortalamasının daha kapsayıcı olduğu için daha anlamlı bir kıyaslama olduğu düşünülmektedir.
(0.11)
(3.35) (4.00)
(3.50) (3.00) (2.50) (2.00) (1.50) (1.00) (0.50)
-Hibrit BL Model BIST 30 İndeksi
% Getiri
Grafik 17: Kayan Periyotlar Bazında 250 Günlük Test Dönemi Getiri Kıyaslaması
Grafik 17’de 250 günlük test boyunca hibrit BL modeli portföy optimizasyonu ile ve BİST 30 endeksi ile elde edilen getirilerin kayan periyotlar bazında kıyaslaması yapılmaktadır. Bu hesaplamalarda herhangi bir işlem hacmi öngörülmemiştir.
Buna göre, bütün kayan periyotlar açısından modelin önerdiği portföylerin getirileri BİST 30 endeksinin getirilerinden daha yüksek düzeydedir. Kayan periyotlar bazında değerlendirildiğinde ise, 10 günlük periyodun diğer periyotlara göre yaklaşık yüzde 19’luk getiriyle en iyi, 80 günlük kayan periyodun ise negatif 0,36 ile en kötü performans gösterdiği görülmektedir. Bununla birlikte, portföylerin kayan periyot süreleri dikkate alındığında önemli düzeyde işlem maliyetinin de söz konusu olabileceğinden bu durumun da dikkate alınarak getirilerin yeniden hesaplanmasının yerinde olacağı değerlendirilmektedir. İşlem maliyetinin işlem tutarı üzerinden binde 2 olarak alındığı varsayımı ile yeniden hesaplama sonucunda grafik 18’deki gibi yeni bir tablo ortaya çıkmıştır.
18.94
16.83
10.76
7.11
2.89
(0.36) 4.67
0.87
(3.00)
(6.33)
(9.24)
(10.46) (15.00)
(10.00) (5.00)
5.00 10.00 15.00 20.00 25.00
10 gün 20 gün 30 gün 40 gün 60 gün 80 gün
Hibrit BL Model BIST 30 İndeksi
% Getiri
Grafik 18: Kayan Periyotlar Bazında 250 Günlük Test Dönemi Getiri Kıyaslaması (İşlem Maliyeti Netleştirilmiş)
Grafik 18’de işlem maliyeti netleştirilmiş getiriler kıyaslandığında yatırımcının elde tutma süresi bakımından 20 iş günü veya 1 ay boyunca portföyünü elde tutmasının en iyi getiri oranını verdiği değerlendirilmektedir. Ayrıca, bu durumda da BİST 30 endeksinin getirileri her hâlükârda negatife düzeylere inmektedir. 250 gün boyunca BİST 30 endeksi elde tutulduğunda yüzde 8 getiri elde edildiği değerlendirildiğinde, işlem maliyetinden dolayı endeksin alınıp satılmasına göre bu dönem için elde tutulmasının daha iyi getiri sunduğu görülmektedir. Diğer taraftan, işlem maliyeti netleştirildiği halde, 20 günlük elde tutma süresi ile yapılacak hibrit model portföy yatırımıyla 250 günlük test döneminde ortalama yaklaşık yüzde 12’lik getiri elde edilebildiğinden hareketle modelin BİST 30 endeksine göre satın al ve dönem sonuna kadar tut stratejine göre dahi daha iyi bir düzeyde getiri önerdiği görülebilmektedir.
Bununla birlikte, bu tez çalışmasında önerilen BL portföy optimizasyonu modelinin piyasanın bütün hareketlerini mükemmel düzeyde tahmin etmediği de açıktır. Nitekim sadece 100 günlük bir dönemde bile BIST 30 endeksinde yer alan senetlerin günlük getirilerinden en yüksek getirisi olan senedi tam olarak tahmin
8.94
11.83
7.56
4.71
1.29
-1.56
-5.33 -4.13
-6.20
-8.73
-10.84 -11.66 -15.00
-10.00 -5.00 0.00 5.00 10.00 15.00
10 gün 20 gün 30 gün 40 gün 60 gün 80 gün Hibrit BL Model BIST 30 İndeksi
% Getiri
ederek günlük olarak söz konusu en yüksek getirili senede %100 hipotetik olarak yatırım yapıldığı varsayıldığında kümülatif olarak %400 civarında oldukça sıra dışı bir getiri elde edilebileceği görülmektedir (Bkz. Grafik 6). Önceki bölümlerde de ifade edildiği gibi bu tez çalışmasında amaç, en yüksek getiriyi sağlayacak bir model bulmak ve önermek değil, fakat modelin sistematik olarak rasyonel şekilde BL model için yatırımcı tavsiyelerinin üretilebilmesini temin edebilmektir. Bu sayede, BIST 30 endeksi getirisi oranıyla karşılaştırıldığında, önerilen hibrit BL optimizasyon modelinin anlamlı düzeyde ve istikrarlı olarak daha yüksek getiri önermesi beklenmektedir. Elde edilen model test sonuçlarına göre ise, önerilen hibrit modelin 250 günlük dönemde BİST 30 endeksi getirisine göre ortalama olarak daha iyi düzeyde getiri sağladığı gösterilmiştir.
İzleyen bölümde, 9 teknik göstergeyi iki kümeye ayırarak piyasanın yükselen piyasalar veya düşen piyasalar olması durumuna göre analizlerde kullanılmasına karar verilecektir. Böylece, yükselen piyasalarda hisse senedinin getirisini tahmin etmede güçlü olan teknik göstergeleri yatırımcının piyasaların yükseleceği beklentisi olduğu durumlarda kullanırken, benzer şekilde düşen piyasalar beklentisi olduğu durumlarda diğer teknik gösterge kümesinin analizde kullanılması gerekmektedir.
Grafik 19: Hipotetik Portföy Kümülatif Getiri Oranı
75 150 225 300 375 450
1 10 19 28 37 46 55 64 73 82 91 100
%
7.1. Göstergelerin Trend Takip Eden ve Momentum Gösterge Olmaları Bakımından Sınıflandırılarak Destek Vektör Makineleriyle Hisse Senedi Getirisi Tahmini
Bu bölümde kullanılan teknik göstergeleri trend takip edici ve momentum bazlı olma özelliklerine göre iki kümeye ayırarak bu gösterge kümeleri ile aynı dönem için ayrı ayrı hisse senedi getiri değerleri tahminlemesi yapılarak BL modelinde yatırımcı görüşü olarak kullanılmıştır. Söz konusu tahminlerin hisse senedi piyasasının trend gösteren dönem ile yatay piyasa dönemleri bakımından performansları değerlendirilmektedir. Hipotez olarak, trend gösteren piyasalarda trend takip edici göstergelerin kullanılarak oluşturulan modelin daha isabetli hisse senedi tahmini yapacaktır. Buna karşın, momentum bazlı göstergelerin yatay piyasa özelliği gösteren dönemlerde daha iyi hisse senedi getirisi tahmin edilecektir. Buna göre, yatay piyasalar özelliği gösteren bir test döneminde momentum özelliği gösteren teknik göstergeler kümesi kullanılarak elde edilen hisse senedi getiri değerleri yatırımcı görüşü olarak kullanılan portföyün kümülatif getirisinin aynı dönem için trend gösteren teknik göstergeler kümesi ile elde edilen hisse senedi getiri tahminleri kullanılarak oluşturulacak portföyün kümülatif getirisinden daha yüksek olacaktır. Benzer şekilde, trend gösteren dönem için ise, trend takip eden teknik indikatörler kullanılarak oluşturulan hisse senedi getiri tahminleri ve portföylerin kümülatif getirisi momentum gösteren teknik göstergeler ile elde edilen kümülatif getiriye göre yüksek olacağı hipotezi test edilmektedir.
Bir önceki bölümde kullanılan teknik göstergeler özelliklerine göre aşağıdaki şekilde kümelenmiştir.
Trend takip edici göstergeler: ATR, ADXR, EMAVG, MACD, MACD SİNYAL ve SMAVG’dir.
Momentum göstergeler ise FEAR_GREED, HURST, RSI’dir.
7.2. Trend Gösteren Piyasalarda Black-Litterman Modeli Yatırımcı Görüşü ve Portföy Optimizasyon Sonuçları
Bu bölümde trend gösteren piyasalarda hisse senedi tahmini yapılmak üzere daha önceki bölümde de belirtildiği üzere belirlenen göstergelerden bir kısmı trend takip edici göstergeler olarak sınıflandırılmıştır. Belirlenen göstergeler 100 günlük test dönemi için hisse senedi getirisi tahmini yapılarak ve bu tahminler BL modelde yatırımcı görüşü olarak kullanılmak suretiyle portföy optimizasyonu yapılmıştır.
Grafik 20: Dikey Piyasalarda Test Dönemi Black-Litterman Modeli Getiri Sonuçları Kıyaslaması
Grafik 7’de, trend takip eden göstergeler kullanılarak yapay zeka modeliyle tahmin edilen hisse senedi getirileri ve bu getiri tahminleri BL portföy optimizasyon modelinde yatırımcı görüşü olarak kullanıldığında elde edilen portföyün kümülatif getirileri kıyaslanmaktadır. Buna göre, özellikle test döneminin ilk 65 günlük döneminde, eşit oranlı yatırım portföyü getirilerine göre yaklaşık yüzde 2 ile yüzde 6 puan arasında kümülatif olarak daha yüksek getiri
(15.00) (10.00) (5.00)
5.00 10.00
1 10 19 28 37 46 55 64 73 82 91 100
Black Litterman - Kümülatif Getiri Eşit Oran - Kümülatif Getiri
oranı elde edebilmeyi sağlamaktadır. Fakat test döneminin 65-100 günlük döneminde ilk dönemde gösterilen performans kaybedilerek model sonuçları endeks getirisi düzeyine gerilemiştir.
7.3. Yatay Piyasalarda Black-Litterman Modeli Yatırımcı Görüşü ve Portföy Optimizasyon Sonuçları
Bir önceki bölümde de anlatıldığı gibi, bu bölümde Black-Litterman modeline yatırımcı görüşü olarak değerlendirilmek üzere oluşturulan hisse senedi getiri tahminleri sadece momentum göstergeler kullanılarak elde edilmiştir. Bu getirilerin yatay seyreden piyasalarda trend takip edici göstergelere göre daha iyi performans göstereceği değerlendirilmektedir.
Grafik 8’de, momentum göstergeler olan RSI, FEAR GREED, HURST göstergeleri kullanılarak elde edilen hisse senedi getiri tahminleri Black-Litterman portföy optimizasyon modelinde yatırımcı görüşü olarak kullanılmış ve BIST 30 endeksinde yer alan hisse senetleri ile elde edilen kümülatif getiri verilerinin kıyaslaması yapılmaktadır. Buna göre, momentum göstergeler kullanılarak elde edilen hisse senedi getirileri Black-Litterman modelde yatırımcı görüşü olarak kullanıldığında elde edilen portföyün kümülatif günlük getirileri BIST 30 endeksi veya eşit oranlı portföy verisine göre oldukça düşük düzeyde kalmaktadır.
Dolayısıyla, momentum göstergeler ile elde edilen portföy getirileri, bahsi geçen test döneminde, gerek BIST 30 endeksine göre, gerekse momentum göstergelerle birlikte trend takip eden göstergelerin birlikte kullanılarak elde edilen portföy optimizasyon sonuçlarına göre oldukça düşük düzeyde getiri seviyesinde kalmıştır (Grafik 8). Bununla birlikte 100 günlük test döneminin ilk 60 gününde modelin kümülatif getirisi görece daha yüksek düzeyde seyrederken bu dönemden sonra trend takip eden göstergeler ile oluşturulan modele benzer olarak performans düşüşü portföy modelinin kümülatif getirisinde düşüş gözlemlenmektedir.
Netice itibarıyla momentum göstergeleri kullanılarak 100 günlük trend gösteren döneme ilişkin yapılan tahminlerin performansı trend göstergeler kullanılarak
yapılan tahminlerin performansına göre konuyla ilgili hipotezimizde beklendiği şekilde düşük düzeyde kalmıştır.
Grafik 21: Yatay Piyasalarda Test Dönemi Black-Litterman Modeli Getiri Sonuçları Kıyaslaması
7.4. Test Döneminde BIST 30 Endeksi Fiyat Hareketleri ile Trend ve Momentum Teknik Göstergeleri Performans Değerlendirilmesi
Finansal piyasaların düzenli yükseliş veya düşüş gösterdiği dönemleri ile yatay bir seyir gösterdiği dönemlerin özellikleri ve tahmin edilmesi bakımından farklılık göstermektedir. Aşağıdaki grafikte yer alan mavi çizgi ile değerleri sağ eksende gösterilen BİST 30 endeksi bu tez çalışmasında, trend ve momentum teknik göstergelerin performanslarına ilişkin test dönemi olarak kullanılan 100 günlük döneme ilişkin olarak ilk 60 günlük dönemde düşüş trendi son 40 günlük dönemde de yükseliş trendi göstermektedir. Bu çerçevede, söz konusu test döneminde trend takip eden göstergeler kullanıldığında söz konusu döneme ilişkin getirinin daha isabetli tahmin edileceği beklenmektedir. Nitekim grafikte de
(20.00) (15.00) (10.00) (5.00)
5.00 10.00
1 10 19 28 37 46 55 64 73 82 91 100
Black Litterman - Kümülatif Getiri Eşit Oran - Kümülatif Getiri BIST 30 İndeksi -Kümülatif Getiri
görüleceği üzere, trend takip eden göstergeler baz alınarak yapay zeka modelinde bu göstergeler aracılığıyla yapılan getiri tahminleri kullanılarak optimize edilen portföyün kümülatif getirisi söz konusu test döneminde özellikle ilk 60 günden sonraki dönemde momentum göstergelerine göre pozitif ayrışarak pozitif getiri elde edilebilmiştir. Fakat diğer taraftan, bahsi geçen dönemde sadece momentum göstergeler kullanılarak yapay zeka modeliyle elde edilen getiri tahminleri ile yapılan optimizasyon sonucu portföyün kümülatif getirisi pozitif seviyeyi yakalayamayıp negatif yüzde 7 seviyesinde kalmıştır. Bu konudaki hipotezimize uygun olarak finansal piyasaların trendli dönemlerinde trend takip eden göstergelerin momentum göstergelerine göre daha isabetli getiri tahminleri yapılabilecektir. Benzer şekilde piyasaların yatay hareketlerin olduğu dönemlerde trend takip eden göstergelere göre momentum göstergeler ile elde edilecek getiri tahminleri ve portföy optimizasyonu sonucundaki kümülatif getirinin daha yüksek olacağı beklenmektedir.
Diğer taraftan, trend takip eden ve momentum göstergelerin yapay zeka modelinde birlikte kullanılmasında da bir sakınca bulunmamaktadır. Çünkü yapay zeka modeli her güne ait kendisine veri olarak tanıtılan göstergeler ile o güne ait getiriler arasında bir ilişki kurmakta ve bu ilişkiyi öğrendikten sonra ise yeni döneme ait gösterge tahminleri veri olarak modele verildiğinde o dönemlere ilişkin getiri tahminlerini yapabilmektedir. Yapay zeka modelinin öğrenme aşamasında modele mümkün olan en çok sayıda durumu tanıtmak modelin daha isabetli tahmin yapabilmesini sağlamaktadır. Bu çerçevede, optimum sayıda göstergenin getiri tahmininde girdi veri olarak kullanılması da getiri tahminini iyileştirici bir diğer etken olarak karşımıza çıkmaktadır. Netice olarak, yapay zeka modelinde trend takip eden ve momentum göstergelerin birlikte kullanılmasında bir sakınca olmamakla birlikte, trendli piyasalarda trend takip eden göstergeler getiri tahmininde momentum göstergelere göre daha başarılı tahminler üretebilmektedir. Benzer şekilde yatay piyasalarda ise momentum göstergeleri trend takip eden göstergelere göre daha başarılı tahminler üreteceği beklenmektedir.