Model melezleme ile finansal zaman serisi analizi

Abstract

Çalışmanın amacı; finansal zaman serilerinde kullanılan doğrusal ve doğrusal olmayan ilişkileri ortaya çıkartan modelleri ve bunlardan elde edilen melez modelleri eldeki veriler doğrultusunda karşılaştırmaktır. Çalışmada NASDAQ ve BIST100 borsa endeks değerlerinin tahmin edilmesinde ARIMA ve Yapay Sinir Ağları (YSA) modelleri kullanılmış aynı zamanda literatürdeki farklı model melezleme yöntemleri ile modeller melezlenmiş ve elde edilen tüm modeller farklı performans ölçülerine göre karşılaştırılmıştır. ARIMA modelinin kalıntıları toplam ve çarpım yöntemleri ile ayrı ayrı belirlenmiş ve bu artıklar iki modelde YSA sonuçları ile melez modelin türüne göre toplanmış veya çarpılmış, bir modelde ise YSA için girdi olarak kullanılmıştır. Elde edilen modeller performans kriterlerine göre karşılaştırıldığında melez model ne şekilde kurulursa kurulsun, melez modellerden elde edilen sonuçlar hem NASDAQ hem de BIST100 için tekil modellerden daha iyi sonuçlar vermiştir. Aynı zamanda önerdiğimiz farklı kalıntı hesaplama değişkenleri ile melez modellerin tahmin performansı artırılmaya çalışılmıştır. Uygulaması yapılan modellerde değişkenlerdeki değişimler ile modellerde daha iyi sonuçlar elde edilmiştir.

The purpose of study is; models that reveal linear and nonlinear relationships used in the financial time series and the hybrid models obtained from them in terms of the available data. In the study, ARIMA and Artificial Neural Networks (ANN) models were used in estimation of NASDAQ and BIST100 stock market index values. Also, hybrid models were hybridized with different model hybridization methods in the literature and all the obtained models were compared according to different performance measures. Residues of the ARIMA model were determined separately by sum and multiplication methods, and these residues were collected or multiplied by YSA results in the two models according to the new model and used as inputs in YSA in one model. When compared to the performance criteria of obtained models, no matter how the hybrid model is built, the results from the hybrid models yield better results than the singular models for both NASDAQ and BIST100. At the same time, we tried to improve the prediction performance of hybrid models by using different residue calculation variables. In the applied models, better results were obtained in the models by changing the variables.