Yapay Sinir Ağları İle Dinamik Pazar Değeri Tahmini

Abstract

Hisse senedi takas fiyatlarının tahmini son yıllarda artan bir ilgi gören önemli bir finansal problemdir. Son birkaç yılda, daha doğru tahminler yapmak için bazı yapay sinir ağları ve bazı hibrit modeller, geleneksel doğrusal ve doğrusal olmayan yöntemlerden daha iyi olmak üzere hazırlandı. Bu çalışma sırasıyla; çok katmanlı algılayıclar (MLP), gecikmeli zaman serileri (LTS), yinelenen yapay sinir ağları (RNN), yapay sinir ağları için dinamik mimari (DAN2) ve bunların GARCH ve EGARH modellerinden yeni girdiler alan hibrit modelleri değerlendirlmiştir. Her bir model için değerlendirmede iki bakış açısı kullanılmıştır: hata karelerinin ortalaması ve ortalama mutlak sapma. Bu çalışmada İstanbul Menkul Kıymetler Borsasının (İMKB) resmi ana endexi olan ulusal 100 endexinin (XU100) gerçek takas değerleri kullanılmıştır. Eğitim ve test sırasındaki hataların daha iyi değerlendirilebilmesi amacıyla ortalama mutlak sapmaların yüzde değerleri hesaplanmıştır. Modellerin hata sapma grafikleri incelendiğinde sadece DAN2 ve DAN2 tabanlı hibrit modellerin doğrusal olmayan ilişkileri tamamen öğrendiği görüldü. Ayrıca diğer metodlarla karşılaştırıldığında DAN2’nin bir çok hesaplama ve mimari avantajları olduğu da görüldü. Tüm bu üstünlüklerine rağmen DAN2’nin bazı temel eksiklikleri bu çalışmada ele alındı. DAN2 otomatik olarak gizli katman ekleyerek dinamik bir yapı izlenimi verirken çevre koşullarının değişmesine uyum sağlayamadığı için dinamik bir yapıdan uzaklaşmaktadır.

Forecasting stock exchange rates is an important financial problem that is receiving increasing attention. During the last few years, a number of neural network models and hybrid models have been proposed for obtaining accurate prediction results, in an attempt to outperform the traditional linear and nonlinear approaches. This study evaluates the effectiveness of neural network models; multi layer perceptron (MLP), lagged time series (LTS), recurrent neural network (RNN), dynamic artitecture for neural networks (DAN2) and the hybrid neural networks which use generalized autoregressive conditional heteroscedasticity (GARCH) and exponential generalized autoregressive conditional heteroscedasticity (EGARCH) to extract new input variables. The comparison for each model is done in two view points: MSE and MAD using real exchange daily rate values of Istanbul Stock Exchange (ISE) official main index XU100. In order to facilitate the comparison of training and testing data performance of the models, MAD % values are used. When the error deviations of the models are analyzed, only DAN2 and DAN2 based hybrid models were able to capture whole nonlinearity. DAN2 also have many computational and architectural advantages when compared to the other ANN methodologies. In spite of all these advantages, DAN2 has fundamental defects discussed in this study. DAN2 is a dynamic architecture, which automatically adds hidden layers and constructs the network, but not dynamic output producer, which can not adapt changes in the environment.