Destek Vektör Makineleri ile Ġlgili Yapılan ÇalıĢmalar

Endeks yön tahmininde YSA yönteminden sonra literatürde en çok kullanılan ikinci yöntemin DVM olduğu görülmüĢtür. ÇalıĢmaların bir bölümünde (Wang ve Zhu, 2010; Fletcher ve Shawe-Taylor, 2013; Karagül, 2014; Liu vd., 2015) sadece DVM yöntemi kullanılırken; diğerlerinde (Wang, 2013; Pan vd., 2017; Ren vd., 2018) hibrit yöntemler kullanılmıĢ; bazısında ise (Özdemir, Tolun ve Demirci, 2011; Yakut, Elmas, ve Yavuz ,2014; Li vd., 2016) birden fazla yöntem karĢılaĢtırmalı olarak kullanılmıĢtır.

Tablo 3‟te de DVM yönteminin endeks yön tahmininde birçok çalıĢmada kullanıldığı görülmektedir. ÇalıĢmaların dört tanesinde sadece DVM yönteminin kullanıldığı ve yöntemin endeks yönünü tahmin gücünün yüksek olduğu görülmüĢtür. Üç çalıĢmada ise kullanılan hibrit yöntemler diğer yöntemlere göre daha iyi performans göstermiĢtir. Geriye kalan çalıĢmalarda ise birden fazla yöntem kullanılmıĢ, DVM diğer yöntemlere göre tahmin doğruluğunda geride kalmıĢtır.

Tablo 3. Endeks Yön Tahmininde Destek Vektör Makineleri Yöntemi ile Ġlgili Yapılan ÇalıĢmalar

Yazar/Yazarlar Tahmin Modeli Veri Sonuç

Wang ve Zhu (2010) DVR 1997-2007, S&P500 ve NASDAQ günlük verileri

DVR yönteminin yüksek tahmin doğruluğu sonucu verdiği bulunmuĢtur. Özdemir vd. (2011) DVM, LogR Makroekonomik

gösterge, MSCI, S&P500, 1997-2010 Ortalama doğruluk %75, %86,2 olarak bulunmuĢtur. Fletcher ve Shawe- Taylor (2013)

DVM EUR-USD para birimi

99

Wang (2013) PCA-DVM KOSPI 200- HSI

endeks günlük veriler, 2002-2011

Endeks yön tahmininde modellerin yüksek tahmin gücü olduğu görüldü. Karagül (2014) DVM 2006-2011 yılları 10

adet finansal oran

Ortalama doğruluk %97.61 olarak bulunmuĢtur. Yakut vd. (2014) YSA, DVM BIST, NIKKEI, CAC

DAX, BOVESPA, FTSE Faiz, USD

YSA, DVM‟ye göre daha iyi performans göstermiĢtir. Liu vd. (2015) DVR Baidu endeks 2006-

2015 günlük verileri

DVR modellerinin yüksek tahmin doğruluğuna sahip olduğu görülmüĢtür. Li vd. (2016) AÖM, DVM, BPNN Piyasa haberleri, 5 teknik gösterge, 1 Haz-31 Tem 2001

Doğru sinyallere sahip strateji daha az riskle daha fazla kar sağlar. Pan vd. (2017) MDVM- UMIDAS S&P500, 2008-2015 makroekonomik gösterge

Sonuçlar tatmin edicidir ve önerilen model daha iyi performans göstermiĢtir. Ren vd. (2018) Duygu Analizi-

DVM

China SSE 50 endeks 2014-2016 günlük verileri

Ortalama doğruluk %89.93 olarak bulunmuĢtur.

Wang ve Zhu (2010) tarafından yapılan çalıĢmada DVM yöntemi kullanılarak S&P500 ve NASDAQ endekslerinin ertesi günkü yönü tahmini problemi ele alınmıĢtır. 1997-2007 dönemine iliĢkin 2500 günlük veri DVM tabanlı Destek Vektör Regresyon (DVR), satın al-tut stratejisi ve çekirdek öğrenme metodu olmak üzere üç yöntemle karĢılaĢtırılmıĢtır. ÇalıĢmanın sonuçlarına göre; DVR metodu S&P500 ve NASDAQ piyasa endekslerini yüksek doğruluk oranı ile tahmin etmiĢtir. Özdemir, Tolun ve Demirci (2011) tarafından yapılan çalıĢmada, MSCI European Index, MSCI GeliĢen Piyasalar Endeksi ve S&P500 endeksleri ile bazı makroekonomik göstergeler veri seti olarak ele alınarak endeks getirisinin yönü DVM ve LogR yöntemleri ile tahmin edilmiĢtir. 1997-2010 yıllarına ait aylık verilerin kullanıldığı çalıĢmada, endeks getirisinin yönü on bir değiĢken ile tahmin edilmeye çalıĢılmıĢtır. Analiz sonuçlarına göre; LogR‟nin doğru sınıflandırma oranı %75 olarak gerçekleĢirken, DVM için bu oran %86,2‟dir.

Fletcher ve Shawe-Taylor (2013) makroekonomik değiĢkenlerden olan döviz kuru ile hisse senedi endeks getirisi yönünü tahmin etmeye çalıĢmıĢlardır. Veriler, 02/11/2009‟da EURO-USD döviz çifti için 1 saniyelik bir frekansta örneklenen 6×104‟luk büyük bir veri setinden oluĢmaktadır. 5, 10, 20, 50, 100 ve 200 saniyelik zaman periyodları (Δt) için tahminler oluĢturulmuĢtur. ÇalıĢmada elde edilen bulgulara göre endeks getiri hareketinin yönünü, 200 saniyelik tahmini zaman peryodu %55'lik ortalama doğruluk ile elde edilmiĢtir.

100

Borsa endekslerinin getiri ve hisse senedi fiyatları yönü tahminini ele alan bir baĢka çalıĢma Wang (2013) tarafından PCA-DVM hibrit yöntemi kullanılarak yapılmıĢtır. Kore ve Hong Kong borsalarının KOSPI 200 ve HSI endekslerinde yapılan araĢtırmada 2002 ile 2011 dönemi için toplanan günlük veri setleri kullanılmıĢtır. ÇalıĢmada elde edilen ampirik sonuçlara göre, endeks yönü tahmini için DVM tabanlı hibrit yöntemlerin daha yüksek tahmin doğruluğu oranına sahip olduğu görülmüĢtür.

BĠST 100 Endeksi‟ndeki 42 Ģirketin 10 adet finansal oranını ele alan Karagül (2014) tarafından yapılmıĢ çalıĢmada, 2006-2011 döneminde BĠST 100 endeksinin getiri yönü araĢtırılmıĢtır. ÇalıĢmada BĠST 100 endeksinin getiri yönü DVM yöntemi kullanılarak tahmin edilmiĢtir. ÇalıĢmanın sonuçlarına göre, DVM‟nin endeksin ertesi günkü yönünü doğru tahminleme oranı %97,61‟dir.

Makroekonomik göstergelerin kullanıldığı bir baĢka çalıĢma Yakut, Elmas ve Yavuz (2014) tarafından yapılmıĢtır. ÇalıĢmada BĠST 100 Endeksinin, 2005-2012 yılları arasındaki toplam 1998 günlük veri kullanılarak endeks getiri yönü tahmini DVM ve YSA yöntemleri kullanılarak tespit edilmiĢtir. Yazarlar gerçek endeks değerlerini tahmini değerler ile performans ölçütleri kullanılarak karĢılaĢtırmıĢlardır. ÇalıĢmadan elde edilen sonuçlara göre, %95 güven aralığında gerçek ve tahmini değerler arasında anlamlı bir fark olmadığı belirlenmiĢtir.

Hisse senedi endeks fiyatlarının ertesi günkü yönü tahmini için DVM yönteminin kullanıldığı benzer bir çalıĢma Liu vd. (2015) tarafından yapılmıĢtır. ÇalıĢmada, hisse senedi endeksi yön tahmini için hata düzeltme ve DVM tabanlı DVR ile bir zaman serisi modeli (ZS) oluĢturulmuĢ ve karĢılaĢtırma için hibrit dört model, Arama Hacmi Endeksi-Zaman Serisi (AHE–ZS), BileĢik Lider Arama Endeksi-ZS (BLAE–ZS), AHE–DVR ve BLAE–DVR kullanılmıĢtır. 2006-2015 yılları arası günlük verilerin kullanıldığı çalıĢmada Baidu Endeksinin ertesi günkü yönü tahmininde en yüksek doğruluk oranını veren hibrit algoritma BLAE–DVR olarak tespit edilmiĢtir. ÇalıĢmada ortaya çıkan bulgulara göre, tahmin modelleri olarak DVM tabanlı DVR ve ZS kullanıldığında BLAE test veri setinin çoğunluğunda AHE'den daha iyi performans elde edilmiĢtir.

101

Hang Seng Endeksi‟nin AĢırı Öğrenme Makineleri (AÖM), DVM ve Geri Yayılım Sinir Ağları (BPNN) yöntemleri ile ertesi günkü yönü tahminini araĢtıran Li vd. (2016), 1 Haziran 2001 ile 31 Temmuz 2001 arası döneme iliĢkin 5 teknik gösterge ve piyasa haberlerinden elde edilen verileri kullanarak tahminleme yapmıĢlardır. Elde edilen bulgulara göre, Hang Seng endeksinin getiri yönünü en yüksek doğrulukla tahmin eden yöntem olarak AÖM-DVM algoritması belirlenmiĢtir.

Hisse senedi fiyat endeksinin ertesi günkü yönünün tahmininde Pan vd. (2017) Çoklu ÇıkıĢ Desteği Vektör Makinesi-Sınırsız KarıĢık Veri Örneklemesi (MDVM-UMIDAS) hibrit yöntemini kullanarak Haziran 2008-Nisan 2015 dönemi verileri ile S&P500 Endeksinin yönünü tahminlemiĢlerdir. Sonuç olarak önerilen modelin pratikte daha gerçekçi ve hisse senedi fiyatı tahmininde sorunlarının çözümü için uygun bir yöntem olduğu belirlenmiĢtir.

Son zamanlarda Duygu Analizi-DVM hibrit yöntemi kullanılarak Ren, Wu ve Liu (2018) tarafından yapılan çalıĢmada, sadece finansal piyasa verileri ile değil, aynı zamanda yatırımcı psikolojisini içeren duygu özellikleriyle birleĢtirerek borsa hareket yönü tahmin edilmiĢtir. ÇalıĢmadan elde edilen deneysel sonuçlar SSE 50 Endeksinin hareket yönünü tahmin etmenin doğruluğunun, duygu değiĢkenlerini tanıttıktan sonra %89.93‟e kadar yükselebileceğini göstermiĢtir.