بازگشت به جستجو

پیش بینی بازده در بازار سهام ترکیه از طریق یادگیری ماشینی

عنوان	پیش بینی بازده در بازار سهام ترکیه از طریق یادگیری ماشینی
نویسنده	بابااکالی، سلن
تاریخ انتشار:	2023-01-16T12:37:47Z
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	41fb5e64-baee-4bc6-a801-706452f8e68e
محل کتابخانه	گروه مهندسی مالی
تاریخ	2023-01-16T12:37:47Z
متن نمونه	در این مطالعه من روش‌های یادگیری ماشینی را برای پیش‌بینی بازده سهام تک تک سهام ترکیه فهرست‌شده در بورس استانبول (بورسا استانبول) مقایسه می‌کنم. به‌عنوان مدل اصلی یادگیری ماشین، من از تحلیل مؤلفه اصلی ابزاری (IPCA) و به‌عنوان مدل معیار از مدل فاما-فرنچ فاکتور استفاده می‌کنم. مدل IPCA بازده مورد انتظار در سطح سهام را بر اساس ویژگی های قابل مشاهده در سطح سهام و سطح شرکت و عوامل مشترک پنهان تخمین زده شده در مدل ایجاد می کند. در داخل مدل، ویژگی‌های سطح سهام، بتای عامل را تعیین می‌کنند، یعنی کوواریانس‌های بازده سهام با عوامل مشترک پنهان. من نسخه های معیار مدل های فاما-فرنچ را بین 3 تا 5 فاکتور تخمین می زنم. نسخه های مدل های IPCA از 3 تا 6 عامل و از 10 ویژگی استفاده می کنند. نمونه تمام سهام در شاخص XUTUM را پوشش می‌دهد و دوره نمونه شامل پیش‌بینی‌هایی بین سال‌های 2010 و 2022 است. با استفاده از داده‌های تابلویی از 252 شرکت فهرست‌شده در شاخص Borsa Istanbul XUTUM و من عملکرد مقایسه‌ای مدل‌های IPCA و Fama-French را تحلیل می‌کنم. به طور خاص، من به عملکردهای نمونه و خارج از نمونه مدل ها با مقایسه سری های تحقق یافته و پیش بینی شده برای هر سهم منفرد نگاه می کنم. من متوجه شدم که مدل IPCA به طور قابل توجهی از مدل Fama-French با به دست آوردن سطوح بالاتر از نمونه R-squared و همبستگی پیش‌بینی‌های بازده و بازده تحقق‌یافته، عملکرد بهتری دارد. تفاوت عملکرد بین مدل‌های Fama-French و IPCA در بازار سهام ترکیه در مقایسه با نتایج (Kelly، Pruitt و Su 2018) برای بازار سهام ایالات متحده آشکارتر است. بنابراین، نتایج من نشان می‌دهد که استفاده از مدل‌های قیمت‌گذاری دارایی مبتنی بر تکنیک‌های یادگیری ماشین ممکن است نتایج بهتری را در بازارهای سهام در حال ظهور ارائه دهد.، yöntemleri karşılaştırılmıştır. Ana makine öğrenimi modeli olarak Enstrümanlı Temel Bileşen Analizini (IPCA) ve kıyaslama modeli olarak Fama-فرانسوی Faktör Modelini kullanılmıştır. IPCA modeli, model içinde tahmin edilen gözlemlenebilir stok düzeyi ve firma düzeyi özellikleri ve gizli ortak faktörlere dayalı olarak stok düzeyinde beklenen getirileri üretir. Modelde stok düzeyi özellikleri faktör betalarını, yani hisse senedi getirilerinin gizli ortak faktörlerle kovaryanslarını belirler. Hisse senedi tahmini karşılaştırmalı analizi için 3 ila 5 faktör Fama-French modelleri kullanılmıştır. IPCA modelinde 3 ila 6 faktör kullanılmış ve 10 karakteristik kullanır. Örneklem, BIST TUM Endeksindeki tum hisse senetlerini kapsıyor ve örnekleme dönemi, 2010 ile 2022 arasındaki tahminleri içeriyor. Borsa İstanbul BIST TUM Endeksi'nde yer alan 252 firmanın panel verilerini kullanarak IPCA ve Fama-French modellerinin karşılaştırmalı performansları analiz edilmiştir. داها اسپسیفیک اولارک، هر بیر هیسه سندینین گرچکلهشن و تهمین ادیلن سری گئتیریلرینی کارشیلاشتیراراک مدللرین اورنک ایچی و اورنک دیشی اجرانسلارینا باکیلمیشتیر. IPCA modelinin، örnek R-kare düzeylerinden ve getiri tahminleri ile gerçekleşen getirilerin korelasyonundan önemli ölçüde daha yüksek elde ederek Fama-فرانسوی مدلinden önemli ölçüde göunsterbuldişiğini performans. Fama-French و IPCA modelleri arasındaki performans farkı, ABD borsası için (Kelly, Pruitt and Su 2018) sonuçlarına kıyasla Türkiye borsasında daha belirgindir. Bu nedenle, sonuçlarım, makine öğrenimi tekniklerine dayalı varlık fiyatlandırma modellerinin kullanımının gelişmekte olan ülke borsalarında daha iyi sonuçlar sağlayabileceğini ima ediyor.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

پیش بینی بازده در بازار سهام ترکیه از طریق یادگیری ماشینی

نویسنده بابااکالی، سلن

تاریخ انتشار 2023-01-16T12:37:47Z

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 41fb5e64-baee-4bc6-a801-706452f8e68e

محل کتابخانه گروه مهندسی مالی

تاریخ 2023-01-16T12:37:47Z

متن نمونه در این مطالعه من روش‌های یادگیری ماشینی را برای پیش‌بینی بازده سهام تک تک سهام ترکیه فهرست‌شده در بورس استانبول (بورسا استانبول) مقایسه می‌کنم. به‌عنوان مدل اصلی یادگیری ماشین، من از تحلیل مؤلفه اصلی ابزاری (IPCA) و به‌عنوان مدل معیار از مدل فاما-فرنچ فاکتور استفاده می‌کنم. مدل IPCA بازده مورد انتظار در سطح سهام را بر اساس ویژگی های قابل مشاهده در سطح سهام و سطح شرکت و عوامل مشترک پنهان تخمین زده شده در مدل ایجاد می کند. در داخل مدل، ویژگی‌های سطح سهام، بتای عامل را تعیین می‌کنند، یعنی کوواریانس‌های بازده سهام با عوامل مشترک پنهان. من نسخه های معیار مدل های فاما-فرنچ را بین 3 تا 5 فاکتور تخمین می زنم. نسخه های مدل های IPCA از 3 تا 6 عامل و از 10 ویژگی استفاده می کنند. نمونه تمام سهام در شاخص XUTUM را پوشش می‌دهد و دوره نمونه شامل پیش‌بینی‌هایی بین سال‌های 2010 و 2022 است. با استفاده از داده‌های تابلویی از 252 شرکت فهرست‌شده در شاخص Borsa Istanbul XUTUM و من عملکرد مقایسه‌ای مدل‌های IPCA و Fama-French را تحلیل می‌کنم. به طور خاص، من به عملکردهای نمونه و خارج از نمونه مدل ها با مقایسه سری های تحقق یافته و پیش بینی شده برای هر سهم منفرد نگاه می کنم. من متوجه شدم که مدل IPCA به طور قابل توجهی از مدل Fama-French با به دست آوردن سطوح بالاتر از نمونه R-squared و همبستگی پیش‌بینی‌های بازده و بازده تحقق‌یافته، عملکرد بهتری دارد. تفاوت عملکرد بین مدل‌های Fama-French و IPCA در بازار سهام ترکیه در مقایسه با نتایج (Kelly، Pruitt و Su 2018) برای بازار سهام ایالات متحده آشکارتر است. بنابراین، نتایج من نشان می‌دهد که استفاده از مدل‌های قیمت‌گذاری دارایی مبتنی بر تکنیک‌های یادگیری ماشین ممکن است نتایج بهتری را در بازارهای سهام در حال ظهور ارائه دهد.، yöntemleri karşılaştırılmıştır. Ana makine öğrenimi modeli olarak Enstrümanlı Temel Bileşen Analizini (IPCA) ve kıyaslama modeli olarak Fama-فرانسوی Faktör Modelini kullanılmıştır. IPCA modeli, model içinde tahmin edilen gözlemlenebilir stok düzeyi ve firma düzeyi özellikleri ve gizli ortak faktörlere dayalı olarak stok düzeyinde beklenen getirileri üretir. Modelde stok düzeyi özellikleri faktör betalarını, yani hisse senedi getirilerinin gizli ortak faktörlerle kovaryanslarını belirler. Hisse senedi tahmini karşılaştırmalı analizi için 3 ila 5 faktör Fama-French modelleri kullanılmıştır. IPCA modelinde 3 ila 6 faktör kullanılmış ve 10 karakteristik kullanır. Örneklem, BIST TUM Endeksindeki tum hisse senetlerini kapsıyor ve örnekleme dönemi, 2010 ile 2022 arasındaki tahminleri içeriyor. Borsa İstanbul BIST TUM Endeksi'nde yer alan 252 firmanın panel verilerini kullanarak IPCA ve Fama-French modellerinin karşılaştırmalı performansları analiz edilmiştir. داها اسپسیفیک اولارک، هر بیر هیسه سندینین گرچکلهشن و تهمین ادیلن سری گئتیریلرینی کارشیلاشتیراراک مدللرین اورنک ایچی و اورنک دیشی اجرانسلارینا باکیلمیشتیر. IPCA modelinin، örnek R-kare düzeylerinden ve getiri tahminleri ile gerçekleşen getirilerin korelasyonundan önemli ölçüde daha yüksek elde ederek Fama-فرانسوی مدلinden önemli ölçüde göunsterbuldişiğini performans. Fama-French و IPCA modelleri arasındaki performans farkı, ABD borsası için (Kelly, Pruitt and Su 2018) sonuçlarına kıyasla Türkiye borsasında daha belirgindir. Bu nedenle, sonuçlarım, makine öğrenimi tekniklerine dayalı varlık fiyatlandırma modellerinin kullanımının gelişmekte olan ülke borsalarında daha iyi sonuçlar sağlayabileceğini ima ediyor.