1 / 22

Enerji Üretimi Yapan İMKB Şirketlerinin Hisse Senedi Tahmini

Enerji Üretimi Yapan İMKB Şirketlerinin Hisse Senedi Tahmini. Coşkun HAMZAÇEBİ. Fatih M. BAYRAMOĞLU. İÇERİK. Çalışmanın Amacı Enerji Fiyatlarının Yatırımcılar İçin Önemi LVQ (Learning Vector Quantization) Ağları MLP (Multilayer Perceptron) Ağları Uygulama ve Veri Seti

lexiss
Download Presentation

Enerji Üretimi Yapan İMKB Şirketlerinin Hisse Senedi Tahmini

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Enerji Üretimi Yapan İMKB Şirketlerinin Hisse Senedi Tahmini Coşkun HAMZAÇEBİ Fatih M. BAYRAMOĞLU

  2. İÇERİK • Çalışmanın Amacı • Enerji Fiyatlarının Yatırımcılar İçin Önemi • LVQ (Learning Vector Quantization) Ağları • MLP (Multilayer Perceptron) Ağları • Uygulama ve Veri Seti • Bulgular ve Değerlendirme • Sonuç

  3. ÇALIŞMANIN AMACI Bu çalışmada; enerji ile ilgili faaliyetlerde bulunan İMKB şirketlerinin hisse senedi fiyatlarında meydana gelecek günlük düşüş ve yükselişlerin, bu hisse senetlerinin fiyatını etkileyebileceği düşünülen değişkenleri girdi olarak kullanarak LVQ ve MLP ağlarıyla modellenerek sınıflandırılmasıdır.

  4. ENERJİNİN FİYAT DALGALANMALARININ YATIRIMCILAR AÇISINDAN ÖNEMİ • Enerji; sanayi ve ekonomik kalkınmanın en temel girdisi durumundadır. Enerji fiyatlarında yaşanan değişimler enerji ile bağlantılı tüm sektörleri etkilemektedir. • Dünya genelinde yaşanan nüfus artışı, enerjiye olan talebi artırmaktadır. Enerji kaynaklarının kısıtlı olması ise fiyat dalgalanmalarına yol açmaktadır. • Enerji ithalatı yapan ülkelerde, yüksek cari açık meydana gelmektedir. • Enerji fiyatlarındaki dalgalanmalar yüksek enflasyona sebep olmaktadır. • Enerji uluslararası ve ulusal finans piyasalarında yatırıma konu olan bir menkul kıymet haline gelmiştir. Enerji fiyatlarında yaşanan değişimler, yatırımcılar için kar veya zarar anlamına gelmektedir. “Enerjinin bu denli yoğun dalgalanma ortamının olması, enerji üretimi yapan şirketlerin hisse senedi tahminin başarılı şekilde yapılmasını yatırımcılar açısından önemli hale getirmektedir.”

  5. LİTERATÜR İNCELEMESİ Jinliang vd. (2009), OPEC’in açıklamış olduğu petrol fiyatlarının 1985-2008 yılları arasındaki fiyat yükseliş ve düşüşlerini modelleyerek yapmış olduğu tahmin için iki farklı YSA modeli geliştirmiştir. Sonuç olarak; YSA’lar ile petrol fiyatlarının başarılı bir şekilde tahmin edilebildiğini ortaya koymuşlardır. Qunli vd. (2009), geliştirmiş oldukları iki farklı YSA modeli ile Brent Europe ham petrol varil spot fiyatlarının ve vadeli işlem fiyatlarının tahmin edilmesini amaçlamışlardır. Sonuç olarak; her iki fiyat hareketinin de YSA’lar ile başarılı bir şekilde tahmin edildiğini ortaya koymuşlardır. Haidari vd. (2008), ham petrol varil spot fiyatlarının kısa dönemli tahmin edilmesi için farklı YSA modelleri geliştirmişlerdir. Çalışmada sonuç olarak; ham petrol varil spot fiyatlarının YSA modelleri ile kısa dönemli olarak öngörülebileceğini ortaya koymuşlardır. Motlaghi vd. (2008), ham petrolün damıtılması işleminde ortam sıcaklığı ve ürün akışı gibi bilinmeyen parametrelerin tahmini için YSA bütünleşik uzman sistem geliştirmişlerdir. Benzer bir çalışma, Liau vd. (2004) tarafından, ham petrolün damıtılması işleminde, petrol ürünleri kalitesinde bir üretim için maksimum üretim oranını belirleyecek bir uzman sistem geliştirmesi amacıyla yapılmıştır. Geliştirilen bu uzman sistem, YSA bütünleşik bir uzman sistemdir.

  6. LVQ Ağları 1984 yılında Kohonen tarafından geliştirilmiştir. Temel felsefesi, n boyutlu bir vektörü bir vektörler kümesine uydurmaktır. Bu vektörler kümesine referans vektörler denmektedir. LVQ ağının öğrenme hızı yüksektir. LVQ ağları genellikle sınıflandırma problemlerinin çözümünde kullanılmaktadır. Çıktılardan sadece bir tanesi 1 değeri, diğerleri sıfır değeri almaktadır.

  7. LVQ Ağlarında Öğrenme Eğitim sırasında girdilerin sınıflara ayrılması en yakın komşu (nearestneighbour) kuralına göre gerçekleşmektedir. Temel hareket noktası girdi vektörü ile referans vektörleri arasındaki öklid mesafenin hesaplanmasıdır. LVQ ağında öğrenme Kohonen tabakasındaki işlem elemanlarının birbirleri ile yarışmaları ilkesine dayanmaktadır. Girdi vektörü ile referans vektörlerinin hepsinin aralarındaki mesafe hesap edildikten sonra hangi işlem elemanının referans vektörü girdi vektörüne daha yakın ise o eleman yarışmayı kazanmaktadır.

  8. LVQ Ağlarında Öğrenme Kohonen katmanında bulunan bir eleman yarışmayı kazandığında, iki durum söz konusu olmaktadır. • Kazanan vektör eğer girdi vektörü ile aynı sınıfta yer alıyorsa bu vektörün elemanları girdi vektörüne daha yakın olacak şekilde düzenlenirler. Böylece aynı örnek, ağa tekrar gösterildiğinde yine aynı elemanın kazanması garanti altına alınmış olunur. ii. Diğer durumda ise referans vektörü ile girdi vektörü farklı sınıflarda oldukları için kazanan işlem elemanı yanlış sınıftadır ve bu vektörün değerleri girdi vektöründen uzaklaştırılır.

  9. LVQ Ağı Yapısı Girdi Katmanı: Dışarıdan alınan bilgiler bu katman aracılığı ile ağa gösterilir. Gelen bilgiler girdi vektörünü oluşturur. Kohonen Katmanı: Bu katmandaki her bir eleman bir referans vektörünü göstermektedir. Burada girdi vektörüne en yakın olan ağırlık vektörü belirlenmektedir. Çıktı katmanı: Bu katmanda girdinin ait olduğu sınıf belirlenir.

  10. MLP Ağları İnsan beyninin çalışma prensibini taklit eden YSA, tahmin amaçlı da kullanılan önemli bir araçtır. Tipik bir YSA, nöronlardan oluşan katmanların bileşimidir. Tahmin amaçlı en yaygın kullanılan YSA tipi, çok katmanlı algılayıcıdır. Çok katmanlı algılayıcı (ÇKA), dışarıdan verileri alan girdi katmanından, ağın çıktılarını dışarıya veren çıktı katmanından ve bu ikisi arasında genellikle bir ve bazen de daha fazla gizli katmandan meydana gelmektedir.

  11. ÇKA Yapısı +1 +1 X1 H1 Y1 .. .. .. vij wjk Xn Hp Ym i=1,2,…,n j=1,2,…,p k=1,2,…,m Girdi Katmanı Gizli Katman Çıktı Katmanı

  12. 1 x1 b w1 Çıktı Girdi wn Aktivasyon fonksiyonu xn Tipik Bir Yapay Nöron

  13. UYGULAMA Çalışma kapsamında, İMKB Kimya Petrol Plastik Sektöründe faaliyet gösteren seçilmiş beş şirketin, hisse senedi fiyatlarında meydana gelecek artış veya azalışların, geliştirilen LVQ ve MLP ağları ile sınıflandırılması yapılmıştır. Çalışmada seçilen şirketlerin hisse senedi fiyatlarının etkilenebileceği girdi değişkenleri tespit edilmiştir. Girdi ve Çıktı değişkenlerinin, 03.03.2009-31.03.2010 tarihleri arasındaki değerleri kullanılmıştır. Seriler test için ayrılan son yirmi günleri hariç olmak üzere 1.,.,3.,5.,…k ve 2.,4.,6.,…k olmak üzere ikiye ayrılmış ve eğitim ve doğrulama kümeleri olarak belirlenmişlerdir. Son yirmi günlük seri ise herhangi bir ayrıma tabi tutulmadan test kümesi olarak atanmıştır.

  14. Şirketler ve İMKB’deki Sembolleri

  15. Hisse Senetlerinin Öngörü İçin Seçilen Girdi Değişkenleri

  16. Geliştirilen MLP Modellerinin Parametreleri

  17. Geliştirilen LVQ Modellerinin Parametreleri

  18. Modellerin Yön Tahmin Sayımı

  19. Modellerin Yön Tahmin Başarıları (%)

  20. SONUÇ Yapay Zeka Tekniklerinin hisse senedi yön tahmininde başarılı oldukları görülmüştür. Sermaye piyasalarında tahminleme yapılabilmektedir. Hisse senedi yön tahmininde, MLP ağlarının LVQ ağlarına göre daha başarılı olduğu görülmüştür. Her iki modelin de fiyatlardaki yükseliş trendini daha iyi modelleyebildikleri görülmüştür.

  21. Teşekkür Ederiz… Coşkun HAMZAÇEBİ İletişim İçin hamzacebi@ktu.edu.tr Fatih M. BAYRAMOĞLU

More Related