EKOIST Journal of Econometrics and Statistics

GÖNDERBİLGİ
EnglishTürkçe

Araştırma Makalesi


DOI :10.26650/ekoist.2024.41.1487849   IUP :10.26650/ekoist.2024.41.1487849    Tam Metin (PDF)

Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi

Damla Yalçıner Çal, Meltem Karaatlı

Bu çalışmada BIST 100 endeks içinde yer alan şirketlere ait hisse senetlerinin birlikte hareketleri Kümeleme Analizi ve Birliktelik Kuralları Analizi ile incelenmiştir. Kümeleme Analizi için getiri, işlem hacmi (volume), fiyat oynaklığı, piyasa değeri, beta, piyasa değeri/defter değeri, özkaynaklar/ödenmiş sermaye, piyasa değeri/net satışlar (hasılat); birliktelik kuralları analizinde kapanış fiyatı değişken olarak kullanılmıştır. Çalışmada 06.12.2012-30.12.2022 dönemi incelemeye alınmıştır. Bu dönem için Kümeleme Analizi yapılmış daha sonra tüm hisse senetlerinin ve Kümeleme Analizi ile oluşan grupların kendi içerisinde birlikteliklerine bakılmıştır. Kümeleme Analizi için CLARA Algoritması kullanılmış, Birliktelik Kuralları Analizi için de FP-Growth Algoritmasından yararlanılmıştır. Kümeleme Analizi için R programlama dili, Birliktelik Kuralları Analizi içinde WEKA programı tercih edilmiştir. Çalışmanın sonucunda, Kümeleme Analizi ile hisse senetlerinin birbirleriyle olan bağlantıları, ardından Birliktelik Kuralları Analizi ile hisse senetlerinin hangilerinin birlikte hareket ettiği görülmüştür. Bu durum hem bireysel hem de kurumsal portföy yöneticilerine, portföy çeşitlendirme sürecinde hangi hisse senetlerine yönelebilecekleri konusunda yardımcı olacaktır. Ayrıca çok dinamik bir yapıya sahip olan hisse senedi piyasalarında yukarı veya aşağı yönlü fiyat değişimlerinde birbirine eşlik eden hisse senetlerinin belirlenmesi, yatırımcılara potansiyel kârlardan pay alma imkânı sağlayacaktır. Birlikte hareketi tespit edilen hisse senetlerinden bir tanesinin fiyatında görülen yukarı veya aşağı yönlü harekete diğer hisselerin de eşlik edebileceği olasılığı potansiyel kârı oluşturmaktadır. Araştırmadan elde edilen temel bulgulara göre bankacılık alanında faaliyet gösteren şirketler arasında çok yoğun bir birliktelik tespit edilmiştir. Ayrıca sektörel anlamda aynı sektör içerisinde faaliyet gösteren ilaç, beyaz eşya, demir çelik, perakende, enerji, petrokimya ve üretim şirketleri arasında birliktelik görülmektedir. Aile grup şirketleri ve gayrimenkul yatırım ortaklığı içerisinde yer alan şirketler arasında da birliktelik olduğu belirlenmiştir. 

Anahtar Kelimeler: Veri Madenciliği, CLARA Kümeleme Algoritması, FP-Growth Birliktelik Kuralları Analizi, Portföy Yönetimi, Hisse Seçimi
DOI :10.26650/ekoist.2024.41.1487849   IUP :10.26650/ekoist.2024.41.1487849    Tam Metin (PDF)

Examination of Stocks in the Istanbul Stock Exchange 100 Index With Clustering and Association Rules Analysis

Damla Yalçıner Çal, Meltem Karaatlı

In this study, the co-movements of the stocks of the companies in the BIST 100 index are analysed by Cluster Analysis and Association Rules Analysis. For the clustering analysis, yield, trading volume, price volatility, market value, beta, market value/book value, equity/paid capital, and market value/net sales (revenue) variables are used; for the association rules analysis, the closing price is taken as a variable. The period 06.12.2012 to - 30.12.2022 was analysed in the study. Cluster Analysis was conducted for this period, and the associations of all stocks and stocks for each cluster were also analysed. The CLARA algorithm was used for the cluster analysis, and the FP-Growth Algorithm was used for the association rules analysis. The R programming language was preferred for the cluster analysis, and the WEKA programme was preferred for the association rules analysis. Because of the study, Cluster Analysis was used to determine the interconnectedness of stocks and Association Rules Analysis was used to determine which stocks move together. This will help both individual and institutional portfolio managers in determining which stocks to focus on in the portfolio diversification process. In addition, identifying stocks that move in tandem with each other during upward or downward price changes in stock markets, which have a very dynamic structure, will provide investors with the opportunity to share in potential profits. The possibility that the upward or downward movement in the price of a stock whose co-movement is detected may be accompanied by other stocks constitutes potential profits. According to the main findings of the research, there is a very intense co-movement among the companies operating in the banking sector. In addition, there is a commonality among pharmaceutical, white goods, iron and steel, retail, energy, petrochemical and manufacturing companies operating in the same sector. There is also an association between family group companies and companies operating in real estate investment trusts. 

Anahtar Kelimeler: Data Mining, CLARA Clustering Analysis, FP-Growth Association Rules Analysis, Portfolio Management, Stock Selection

GENİŞLETİLMİŞ ÖZET


In this study, the joint movements of the stocks of the companies included in the BIST 100 index were examined. Clustering Analysis and Association Rules Analysis were chosen as the method in the study. For the cluster analysis, return, volume, price volatility, market value, beta, market value/book value, equity/paid capital, market value/net sales (revenue) variables; In the association rules analysis, the closing price is taken as a variable and covers the period 06.12.2012 to -30.12.2022. The co-movements of stocks in the specified period were examined. In addition, a cluster analysis was conducted for this period and the associations of stocks for each cluster were examined. Here, information is shared about investors making profits by investing in stocks that have been identified to move together. The CLARA Algorithm was applied for the Clustering Analysis and the FP-Growth Algorithm was applied for the Association Rules Analysis.

First, the clusterability of the dataset was tested by using Hopkins Statistics in the R Programme. After determining that the dataset was musterable, the number of clusters was determined using the Gap Statistics. The number of clusters was determined as 9, and the CLARA Clustering Algorithm was applied. As a result of the CLARA Clustering Algorithm: In the 1st Cluster, AEFES, AKSEN, ALBRK, BAGFS, CCOLA, DOHOL, GLYHO, GSDHO, IPEKE, ISGYO, KOZAA, NTHOL, SKBNK, SNGYO, TAVHL, TKFEN, TRGYO, TSKB, TTRAK, TURSG, and ULKER stocks are listed together. In this cluster, there are stocks of companies of different sizes and from different sectors... In Cluster 2, AGHOL, ALGYO, BRYAT, EGEEN, and KARTN stocks are listed together. Stocks like BRYAT, EGEEN, KARTN and AGHOL that in general have a high potential for free capital increase are in this group. In Cluster 3, AKBNK, GARAN, HALKB, ISCTR, VAKBN, and YKBNK stocks are listed together. It can be said that this cluster differs from other clusters because there are only banks in it. In Cluster 4, AKFGY, AKSA, ALARK, ALKIM, BUCIM, CEMTS, CIMSA, DEVA, DOAS, ECILC, ERBOS, GUBRF, ISFIN, KARSN, KORDS, OTKAR, SELEC, TMSN, and YATAS stocks are listed together. It has been determined that this cluster includes organisations related to the pharmaceutical (DEVA, ECILC, SELEC), cement (BUCIM, ÇIMSA) and automotive (DOAS, KARSN, OTKAR, TMSN) sectors. In Cluster 5, stocks of ARCLK, BIMAS, ENKAI, FROTO, KCHOL, SAHOL, TCELL, TOASO, and TTKOM are listed together. The BIST 30 index includes important and large companies. There are also large holdings (KCHOL, SAHOL) in this cluster. In Cluster 6, ASELS, EKGYO, EREGL, KOZAL, KRDMD, PETKM, SISE, THYAO, and TUPRS stocks are listed together. Generally, the largest production enterprises of the BIST 30 index (except THYAO) are seen in this cluster. In Cluster 7, BERA, HEKTS, ISMEN, JANTS, LOGO, PRKAB, SASA, TUKAS, VESBE, and VESTL stocks are listed together. The SASA, HEKTS, and VESTL groups lead in this cluster. In Cluster 8, the GOZDE stock stands out alone. In Cluster 9, the MGROS, NUGYO, and OYAKC stocks are listed together. Here, three dissimilar companies have come together: a retail company, an investment trust and a cement company. However, the stocks of these companies are in similar clusters according to the determined variables. 

Then, by the WEKA programme, the joint movement of all stocks was first determined by FP-Growth Association Rules Analysis. A confidence level of 0.90 was considered for all stocks, and as a result of the analysis, no association rule other than of the bank was found in the first 54 of 74 rules.

The associations within each cluster identified by CLARA Clustering Analysis were further determined using FP-Growth Association Rules Analysis. According to this; 

• In Cluster 1, 1270 rules were found at the 0.90 confidence level.

• In Cluster 2, 5 rules were found at the 0.80 confidence level.

• In Cluster 3, 68 rules were found at the 0.90 confidence level.

• In Cluster 4, 126 association rules were found at a confidence level of 0.90.

• In Cluster 5, 14 rules were found at the 0.90 confidence level.

• In cluster 6, 20 association rules were found at a confidence level of 0.90.

• In Cluster 7, 24 association rules were found at a confidence level of 0.90.

• In Cluster 8, no rule has been formed.

• In cluster 9, 2 association rules were found at a confidence level of 70.

Because of the study; With Cluster Analysis, the connections between stocks were seen, and then with Association Rules Analysis, it was seen which stocks moved together. This will help both individual and corporate portfolio managers in determining which stocks they can focus on in the portfolio diversification process. According to the basic findings of the research, a very intense unity was detected among the companies operating in the banking field. In addition, sectoral unity wasis observed between pharmaceutical, household appliances, iron and steel, retail, energy, petrochemical and production companies operating in the same sector. It has also been determined that there is unity between family group companies and companies within the real estate investment trust. 


PDF Görünüm

Referanslar

  • Agrawal, R. & Srikant, R. (1994). Fast Algorithms for Mining Association Rules in Large Databases. Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, 487-499. google scholar
  • Alkarkhi, A.F.M. & Alqaraghuli, W.A.A. (2019). Cluster Analysis. Easy Statistics for Food Science with R, Academic Press Elsevier. google scholar
  • Argiddi, R. & Apte, S.S. (2012). Future Trend Prediction of Indian IT Stock Market using Association Rule Mining of Transaction Data. International Journal of Computer Applications, 39(10), 30-34. google scholar
  • Ata Yatırım, https://atayatirim.com.tr/arastirma-raporlari-detay?reportId=10759 (Erişim Tarihi: 13.07.2023). google scholar
  • Ateş, Y. & Karabatak, M. (2017). Nicel Birliktelik Kuralları İçin Çoklu Minimum Destek Değeri. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 57-65. google scholar
  • Bahar, D. (2022). BIST100 Şirketlerinin Değerlemelerinde Piyasa Değeri/Defter Değeri Ve Fiyat/Kazanç Oranlarının Etkinliği. Yüksek Lisans Tezi, Ufuk Üniversitesi Sosyal Bilimler Enstitüsü, Ankara. google scholar
  • Bala, A., Shuaibu, M.Z., Lawal, Z.K. & Zakari, R.Y. (2016). Performance Analysis of Apriori and FP-Growth Algorithms (Association Rule Mining). International Journal of Computer Applications in Technology & Applications, 7(2), 279-293. google scholar
  • Baydaş, M. & Eren, T. (2021). Finansal Performans Ölçümünde ÇKKV Yöntem Seçimi Problemine Objektif Bir Yaklaşım: Borsa İstanbul’da Bir Uygulama. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 16(3), 664-687. google scholar
  • Bayram, S.S. (2022). Bankacılık Rekabetinde Şube Lokasyonlarının Birliktelik Kuralları ile Analizi. Doktora Tezi, Karabük Üniversitesi Sosyal Bilimler Enstitüsü, Karabük. google scholar
  • Berkhin, P. (2002). Survey of Clustering Data Mining Techniques. Accrue Software Inc.. California: San Jose. google scholar
  • Bezdek, J.C. & Hathaway, R.J. (2002). VAT: A Tool for Visual Assessment of (Cluster) Tendency. Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN’02 (Cat.No.02CH37290), 3, 2225-2230. google scholar
  • Bulduk, S. & Ecer, F. (2023). Entropi-Aras Yaklaşımıyla Kripto Para Yatırım Alternatiflerinin Değerlendirilmesi. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 14(37), 314-333. google scholar
  • Changalasetty, S.B.. vd. (2021). Using EM Technique for Juvenile Crime Zoning. 2021 5th International Conference on Information Systems and Computer Networks (ISCON), Mathura, India, 1-6. google scholar
  • Chen, M., Gao, X. & Li, H. (2009). An Efficient Parallel FP-Growth Algorithm. 2009 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, 283-286. google scholar
  • Çelik, T.B. (2016). İşlem Hacmi Değişimlerinin Fiyatlar Üzerindeki Etkisi ve Bist’de Uygulaması. Yüksek Lisans Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul. google scholar
  • Çelik. E. (2020). Gayrimenkul Yatırım Ortaklıklarında Piyasa Değeri ve Aktif Karlılığı Etkileyen Finansal Oranların Panel Veri Analizi Yöntemiyle Belirlenmesi.Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul. google scholar
  • Desfiandi, A., Desfiandi, A. & Ali, H. (2017). Composite Stock Price Index (IHSG) Macro Factor in Investment in Stock (Equity Funds). International Journal of Economics and Financial Issues, 7(3), 534-536. google scholar
  • Diwate, R. & Sahu, A. (2014). Data Mining Techniques in Association Rule: A Review. International Journal of Computer Science and Information Technologies (IJCSIT), 5(1), 227 -229. google scholar
  • Erdem, K., Koy, A. & Akdağ, S. (2020). Pay Endekslerinde En Yüksek Fiyat Oluşumu ile İşlem Hacmi Arasındaki İlişki: Doğrusal Analizler ve Frekans Alanı Nedensellik Analizi ile Karşılaştırmalı Bir Yaklaşım. Uluslararası Ekonomi ve Yenilik Dergisi, 6(2), 157-173. google scholar
  • Erpolat, S. (2012). Otomobil Yetkili Servislerinde Birliktelik Kurallarının Belirlenmesinde Apriori ve Fp-Growth Algoritmalarının Karşılaştırılması. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12(2), 137-146. google scholar
  • Galimberti, G. & Soffritti, G. (2007). Model-Based Methods to Identify Multiple Cluster Structures in a Data Set. Computational Statistics & Data Analysis, 52, 520-536. google scholar
  • Gazel, S. (2017). Hisse Senedi Piyasalarında İşlem Hacmi ve Volatilite İlişkisi: Kırılgan Beşli Ekonomiler Üzerine Bir İnceleme. Uluslararası Yönetim İktisat ve İşletme Dergisi, 13(2), 347-363. google scholar
  • Gedik Yatırım, https://gedik.com/hizmetler/arastirma-ve-analiz#2 (Erişim Tarihi: 14.07.2023). google scholar
  • Gemici, B. (2012).Veri Madenciliği ve Bir Uygulaması.Yüksek Lisans Tezi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir. google scholar
  • Gürler, C. (2022). R Programlama Dili ile Kümeleme Analizi. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 22(2), 341-366. google scholar
  • Gürtay, E. (2017). İşlem Hacmi ve Hisse Senedi Fiyatları Arasındaki İlişki Üzerine Borsa İstanbul’da Bir Uygulama. Yüksek Lisans Tezi, Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü, Gümüşhane. google scholar
  • Halk Yatırım, https://analizim.halkyatirim.com.tr/, (Erişim Tarihi: 13.07.2023). google scholar
  • Han, J., Pei, J. & Kamber, M. (2006). Data Mining. Southeast Asia Edition. Elsevier Science & Technology. 2006. ProQuest Ebook Central. http://ebookcentral.proquest.com/lib/suleymanebooks/detail.action?docID=291712. google scholar
  • Han. J., Pei, J. & Kamber, M. (2011). Data Mining: Concepts and Techniques: Concepts and Techniques. Elsevier Science & Technology. Third Edition, San Francisco: Morgan Kaufmann. google scholar
  • Han., J., Pei, J., Yın, Y. & Mao, R. (2004). Mining Frequent Patterns without Candidate Generation: A Frequent-Pattern Tree Approach. Data Mining and Knowledge Discovery, 8(1), 53-87. google scholar
  • Info Yatırım, https://infoyatirim.com/arastirma/analiz/sektorel-gostergeler (Erişim Tarihi: 13.07.2023). google scholar
  • Ingram, M. & Margetis, S. (2010). A Practical Method to Estimate the Cost of Equity for a Firm Using Cluster Analysis. Managerial Finance, 36(2), 160-167. google scholar
  • Investing.Com, https://tr.investing.com/equities/turk-hava-yollari (Erişim Tarihi: 14.07.2023). google scholar
  • Işıldak, M.S. (2020). Finansal Oranların Piyasa Değeri/Defter Değeri Oranına Etkisinin Panel Veri Analiziyle İncelenmesi: BIST’te Kayıtlı Dokuma, Giyim Eşyası ve Deri Sektöründe Uygulama. Ekonomik Yaklaşım Derneği, 30(111), 71-100. google scholar
  • Jobson, J.D. (1994). Applied Multivariate Data Analysis: Volume II: Categorical and Multivariate Methods, New York: Springer. google scholar
  • Kaderli, Y. (2001). Bir Hisse Senedi Portföyü Oluşturmada Çeşitlendirme Aracı Olarak Banka Hisseleri. Yayınlanmamış Yüksek Lisans Tezi, Adnan Menderes Üniversitesi Sosyal Bilimler Enstitüsü, Aydın. google scholar
  • Kantardzıc, M. (2003). Data Mining Concepts. Models. Methods and Algorithms, IEEE. 1-18. google scholar
  • Karaatlı, M., Kocabıyık, T., Yalçıner Çal, D. & Çolak, M. (2021). BIST-30 Endeksinde Yer Alan Payların Ortak Hareketlerinin Veri Madenciliği Kapsamında Birliktelik Kuralı ile İncelenmesi. Finansal Araştırmalar ve Çalışmalar Dergisi, 13(25), 548-571. google scholar
  • Karataş Elçiçek, Y. (2020). Vadeli İşlem Sözleşmelerini Getiri, İşlem Hacmi ve Volatilite Bazında Etkileyen Faktörlerin Belirlenmesi ve Etkilerinin Analizi Üzerine Ampirik Uygulamalar. Doktora Tezi, Manisa Celal Bayar Üniversitesi Sosyal Bilimler Enstitüsü, Manisa. google scholar
  • Karpio, K., Lukasewicz, P., Orlowski, A. & Z^bkowski, T. (2013). Mining Associations on the Warsaw Stock Exchange. Acta Physica Polonica A., 123(3), 553-559. google scholar
  • Khalfallah, J. & Slama, J.B.H. (2018). A Comparative Study of the Various Clustering Algorithms in E- Learning Systems Using Weka Tools. 2018 JCCO Joint International Conference on ICT in Education and Training. International Conference on Computing in Arabic, and International Conference on Geocomputing (JCCO: TICET-ICCA-GECO), Hammamet, Tunisia, 1-7. google scholar
  • Kocabıyık, T., Karaatlı, M. & Aktaş, K.B. (2021). Borsa İstanbul 30 Endeksinde Yer Alan Hisse Senetlerinin Kümelenmesi: COVID-19 Öncesi ve COVID-19 Dönemi İncelemesi. İşletme Araştırmaları Dergisi,13(3), 2537-2551. google scholar
  • Koldere Akın, Y. (2008). Veri Madenciliğinde Kümeleme Algoritmaları ve Kümeleme Analizi. Doktora Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü. İstanbul. google scholar
  • Köse, İ. (2018). Veri Madenciliği Teori Uygulama ve Felsefesi. İstanbul: Papatya Bilim. google scholar
  • Liao, S-H. & Chou, S-Y. (2013). Data Mining Investigation of Co-Movements on the Taiwan and China Stock Markets for Future Investment Portfolio. Expert Systems with Applications, 40(5), 1542-1554. google scholar
  • Liao, S-H., Ho. H-H. & Lin, H-W. (2008). Mining Stock Category Association and Cluster on Taiwan Stock Market. Expert Systems with Applications, 35(1-2), 19-29. google scholar
  • Liao, S-H., Pei-Hui, C. & Ying-Lu, Y. (2011). Mining the Co-Movement Between Foreign Exchange Rates and Category Stock Indexes in the Taiwan Financial Capital Market. Expert Systems with Applications, 38(4), 4608-4617. google scholar
  • Mcintosh, A.M., Sharpe, M. & Lawrie, S.M. (2010). Research Methods, Statistics and Evidence-Based Practice. Companion to Psychiatric Studies (Eighth Edition), Churchill Livingstone Elsevier. google scholar
  • Na, S.H. & Sohn, S.Y. (2011). Forecasting Changes in Korea Composite Stock Price Index (KOSPI) Using Association Rules. Expert Systems with Applications, 38(7), 9046-9049. google scholar
  • Nagpal, A., Jatain, A. & Gaur, D. (2013). Review Based on Data Clustering Algorithms. Proceedings of 2013 IEEE Conference on Information and Communication Technologies (ICT 2013), 298-303. google scholar
  • Ng, R.T. & Han, J. (1994). Efficient and Effective Clustering Methods for Spatial Data Mining. Proceedings of the 20th VLDB Conference, Santiago, Chile, 144-155. google scholar
  • Oğuzlar, A. (2004). Veri Madenciliğine Giriş. Bursa: Ekin Kitabevi., google scholar
  • Özgümüş, H., Korkmaz, T. & Çevik, E.İ. (2013). Makroekonomik Faktörlerin Vadeli İşlem (Futures) Sözleşmelerine Etkisi: VOB’ta Bir Uygulama. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 7(1), 103-136. google scholar
  • Pandey, A. & Pardasani, K.R. (2009). Rough Set Model for Discovering Hybrid Association Rules. International Journal of Computer Science and Network Security (IJCSNS), 9(6), 159-164. google scholar
  • Patil, C. & Baidari, I. (2019). Estimating the Optimal Number of Clusters K in A Dataset Using Data Depth. Data Science and Engineering, 4, 133-134. google scholar
  • Pena-Ayala, A. (2014). Educational Data Mining: A Survey and A Data Mining-Based Analysis of Recent Works. Expert Systems with Applications., 41(4), 1432-1462. google scholar
  • Polat, M. & Kılıç, E. (2022). BRICS Ülkelerinde Döviz Kuru ve Borsa Arasındaki Getiri ve Volatilite Etkileşimi: VAR-EGARCH Modeli İle Bir Uygulama. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 49, 539-551. google scholar
  • Sayilan, A.B. (2019). Veri Madenciliğinde Bazı Kümeleme Algoritmalarının Karşılaştırılması.Yüksek Lisans Tezi, Muğla Sıtkı Koçman Üniversitesi Fen Bilimleri Enstitüsü, Muğla. google scholar
  • Shawkat, M., Badawı, M., El-Ghamrawy, S., Arnous, R. & El-Desoky, A. (2022). An Optimized FP-Growth Algorithm for Discovery of Association Rules. The Journal of Supercomputing, 78, 5479-5506. google scholar
  • Şahin, İ.E. & Karacan, K.B. (2019). BIST’te İşlem Gören İnşaat İşletmelerinin Çok Kriterli Karar Verme Yöntemleri ile Finansal Performans Ölçümü. International Journal of Multidisciplinary Studies and Innovative Technologies, 3(2), 162-172. google scholar
  • Şeker Yatırım, https://www.sekeryatirim.com.tr/Kurumsal/FinansalRaporlar (Erişim Tarihi: 14.07.2023). google scholar
  • Şenol, Z., Koç, S. & Şenol, S. (2018).Hisse Senetleri Fiyatlarını Etkileyen Faktörlerin Dinamik Panel Veri Analiziyle İncelenmesi. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 9(25), 119-135. google scholar
  • Tan, P., Steinbach, M. & Kumar, V. (2005). Introduction to Data Mining Chapter 8: Cluster Analysis: Basic Concepts and Algorithms. US: Pearson Addison-Wesley. google scholar
  • Teker, T. & Konuşkan, A. (2022). Fan Token Fiyatlarında Birliktelik Etkisi. Uluslararası İşletme. Ekonomi ve Yönetim Perspektifleri Dergisi, 6(2), 359-376. google scholar
  • Tera Yatırım, https://www.terayatirim.com/arastirma/hisse-senedi-raporlari (Erişim Tarihi: 14.07.2023). google scholar
  • Tibshirani. R., Walther, G. & Hastie, T. (2001). Estimating the Number of Clusters in a Data Set Via the Gap Statistic. J R Stat Soc Ser B (Stat Methodol), 63(2), 411-423. google scholar
  • Ünsal, Ö. (2020). Veri Madenciliği Teknikleri ile Hisse Senetleri Arasındaki Fiyat Etkileşimlerinin Belirlenmesi. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5), 106-112. google scholar
  • Verma, N. & Baliyan, N. (2017). PAM Clustering Based Taxi Hotspot Detection for Informed Driving. 2017 8th International Conference on Computing. Communication and Networking Technologies (ICCCNT), Delhi, India, 1-7. google scholar
  • Xu, Z-M. & Zhang, R. (2009). Financial Revenue Analysis Based on Association Rules Mining. 2009 Asia- Pacific Conference on Computational Intelligence and Industrial Applications (PACIIA), Wuhan. China, 220-223. google scholar
  • Yüksel, T. & Zontul, M. (2019). Dağıtık Sistemlerde Birliktelik Kuralları İle Sepet Analizi. AURUM Mühendislik Sistemleri Ve Mimarlık Dergisi, 3(1), 65-77. google scholar
  • Zor, İ., Bozkurt, İ. & Öksüz S. (2016).Asimetrik Bilgi Düzeyinin Fiyat-Hacim İlişkisi Üzerindeki Etkisi: Borsa İstanbul Örneği. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 16(1), 119-135. google scholar

Atıflar

Biçimlendirilmiş bir atıfı kopyalayıp yapıştırın veya seçtiğiniz biçimde dışa aktarmak için seçeneklerden birini kullanın


DIŞA AKTAR



APA

Yalçıner Çal, D., & Karaatlı, M. (2024). Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi. EKOIST Journal of Econometrics and Statistics, 0(41), 34-53. https://doi.org/10.26650/ekoist.2024.41.1487849


AMA

Yalçıner Çal D, Karaatlı M. Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi. EKOIST Journal of Econometrics and Statistics. 2024;0(41):34-53. https://doi.org/10.26650/ekoist.2024.41.1487849


ABNT

Yalçıner Çal, D.; Karaatlı, M. Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi. EKOIST Journal of Econometrics and Statistics, [Publisher Location], v. 0, n. 41, p. 34-53, 2024.


Chicago: Author-Date Style

Yalçıner Çal, Damla, and Meltem Karaatlı. 2024. “Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi.” EKOIST Journal of Econometrics and Statistics 0, no. 41: 34-53. https://doi.org/10.26650/ekoist.2024.41.1487849


Chicago: Humanities Style

Yalçıner Çal, Damla, and Meltem Karaatlı. “Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi.” EKOIST Journal of Econometrics and Statistics 0, no. 41 (Mar. 2025): 34-53. https://doi.org/10.26650/ekoist.2024.41.1487849


Harvard: Australian Style

Yalçıner Çal, D & Karaatlı, M 2024, 'Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi', EKOIST Journal of Econometrics and Statistics, vol. 0, no. 41, pp. 34-53, viewed 10 Mar. 2025, https://doi.org/10.26650/ekoist.2024.41.1487849


Harvard: Author-Date Style

Yalçıner Çal, D. and Karaatlı, M. (2024) ‘Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi’, EKOIST Journal of Econometrics and Statistics, 0(41), pp. 34-53. https://doi.org/10.26650/ekoist.2024.41.1487849 (10 Mar. 2025).


MLA

Yalçıner Çal, Damla, and Meltem Karaatlı. “Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi.” EKOIST Journal of Econometrics and Statistics, vol. 0, no. 41, 2024, pp. 34-53. [Database Container], https://doi.org/10.26650/ekoist.2024.41.1487849


Vancouver

Yalçıner Çal D, Karaatlı M. Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi. EKOIST Journal of Econometrics and Statistics [Internet]. 10 Mar. 2025 [cited 10 Mar. 2025];0(41):34-53. Available from: https://doi.org/10.26650/ekoist.2024.41.1487849 doi: 10.26650/ekoist.2024.41.1487849


ISNAD

Yalçıner Çal, Damla - Karaatlı, Meltem. “Kümeleme ve Birliktelik Kuralları Analizi İle Borsa İstanbul 100 Endeksinde Yer Alan Hisse Senetlerinin İncelenmesi”. EKOIST Journal of Econometrics and Statistics 0/41 (Mar. 2025): 34-53. https://doi.org/10.26650/ekoist.2024.41.1487849



ZAMAN ÇİZELGESİ


Gönderim21.05.2024
Kabul05.10.2024
Çevrimiçi Yayınlanma26.12.2024

LİSANS


Attribution-NonCommercial (CC BY-NC)

This license lets others remix, tweak, and build upon your work non-commercially, and although their new works must also acknowledge you and be non-commercial, they don’t have to license their derivative works on the same terms.


PAYLAŞ




İstanbul Üniversitesi Yayınları, uluslararası yayıncılık standartları ve etiğine uygun olarak, yüksek kalitede bilimsel dergi ve kitapların yayınlanmasıyla giderek artan bilimsel bilginin yayılmasına katkıda bulunmayı amaçlamaktadır. İstanbul Üniversitesi Yayınları açık erişimli, ticari olmayan, bilimsel yayıncılığı takip etmektedir.