Hisse senedi fiyat tahmininde genetik algoritma ile değişken seçimi

Abstract

Hisse senedi fiyatı yön tahmini, piyasaların sahip olduğu karmaşık yapı itibariyle zor bir problemdir ve bu nedenle de araştırmacıların ilgisini çeken bir konudur. Hisse senedi fiyat tahmininde kullanılan yöntemlerden bir tanesi destek vektör makineleridir (DVM) ve literatürde başarılı bir şekilde kullanıldığı görülmektedir. DVM ile başarılı bir tahmin çalışması gerçekleştirmek için kullanılacak girdi değişkenlerinin dikkatli bir şekilde seçilmesi gerekmektedir. Genetik algoritma, DVM için değişken seçiminde kullanılan yöntemlerden bir tanesidir. Yapılan çalışmalar araştırıldığında genetik algoritma (GA) tabanlı DVM yönteminde farklı kernel fonksiyonlarının performansı ve farklı sayılardaki değişkenlerin tahmin performansının detaylı bir şekilde incelenmediği ortaya çıkmıştır. Bu açığı kapatmak için emtia tabanlı bir fonun tarihi fiyat bilgileri kullanılmış ve GA-DVM yöntemi ile değişken seçimi gerçekleştirilmiştir. En yüksek doğru tahmin oranı, 10 adet değişkenin seçildiği doğrusal kernel fonksiyonuna sahip DVM modelinde gerçekleştiği ortaya çıkmıştır. Aynı zamanda modellerin yarısından fazlasında al ve tut stratejisinden daha yüksek oranda bir getiri sağlamak mümkün olmuştur. Çalışmada elde edilen başarılı sonuçlar, önerilen yöntemin hisse senedi fiyat tahmininde karar destek sistemi olarak kullanılabileceğini göstermektedir.

Stock price predicting attracts interests of researches due to the complex structure of stock price markets. One of the techniques that is used for stock price forecasting is Support Vector Machines (SVM) and it is successfully used in stock price predicting. In order to obtain successful predicting results, input selection must be handled carefully. Genetic Algorithms (GA) is one of the methods that is used for feature selection. Literature review revealed that the performance of different kernel function as well as the performance of number of features did not deeply investigated in GA based SVM models. In order to fill this gap, historical price information of an emtia-based fund is used and features are selected with genetic algorithms. The highest hit rate is obtained in linear kernel function model in which 10 features are extracted. Moreover higher financial returns are obtained in more than half of the prediction models. The successfull results obtained in this study shows that proposed model can be used as a decision support system in stock price prediction.