k-EN YAKIN KOMŞU (k-NN) ALGORİTMASI İLE HİSSE SENEDİ FİYATLARININ TAHMİN EDİLMESİ BİST’DEN ÖRNEK BİR UYGULAMA

Author :  

Year-Number: 2016-30
Language : null
Konu : Finans
Number of pages: 375-392
Mendeley EndNote Alıntı Yap

Abstract

Bu çalışmada hisse senedi fiyatları birgün sonrası için tahmin edilmeye çalışılmıştır. Bu amaç için veri madenciliği yöntemlerinden olan k-en yakın komşu algoritması kullanılmıştır. BIST’de işlem gören Afyon Çimento hisse senedinin 2014 yılı kapanış fiyatları veri seti olarak ele alınmıştır. k-nn algoritması ile tahmin yapmak için önce k parametre sayısının (en yakın komşu sayısı) bilinmesi gerekir. Bunun için 10 katlı çapraz doğrulama yöntemi ile analiz yapılarak en uygun parametre sayısı altı olarak belirlenmiştir. Daha sonra inşa edilen modelin başarımı test edilmiştir. Bu çerçevede 2015 yılının ilk üç ayı için fiyat tahminleri yapılarak reel verilerle karşılaştırılmış bunun sonucunda k-nn algoritmasıyla yapılan tahmin sonuçlarının ortalama % 97 gibi yüksek bir doğruluk oranına sahip olduğu ortaya konulmuştur.

Keywords

Abstract

In this study stock prices of the next day is aimed to be predicted. K-nearest neighbour algorithm, which is one of data mining method was used for this purpose. The Afyon Çimento stocks which are traded in BIST are taken as a data set based on closing prices of 2014. In order to make prediction with k-nn algorithm, the number of k parameter (the number of nearest neighbours) need to be known first. For that reason the most appropriate number of parameter is determined as a six after the analysis made with the 10 fold cross valiation method. Then the performance of a constructed model is tested. In this context, the price predictions made considering the first three months of 2015 and compared with the real prices. Consequently it is found that the prediction made by using k-nn algorithm has as high as %97 accuracy on average.

Keywords


                                                                                                                                                                                                        
  • Article Statistics