Araştırma Makalesi


DOI :10.26650/ekoist.2022.37.1108411   IUP :10.26650/ekoist.2022.37.1108411    Tam Metin (PDF)

Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması

Canberk BulutBurcu Hüdaverdi

Zaman serisi tahmininde hibrit yaklaşım, tekli modellerle karşılaştırıldığında en doğru modeli seçmede anahtar metodolojilerden biridir. Hisse senedi piyasası tahmini için hibrit modellemede makine öğrenmesi algoritmalarının uygulanması hızla gelişmektedir. Bu çalışmada, ikisi gelişmiş hisse senedi piyasasından (NASDAQ ve DAX) ve diğer ikisi yükselen hisse senedi piyasasından (NSE ve BIST) olmak üzere dört hisse senedi verisi için makine öğrenimi yaklaşımıyla hibrit modellemesi uygulanmıştır. Bir hisse senedi piyasası, değişken yapısıyla bilinir ve istikrarsız bir yapıya sahiptir, bu nedenle, bu çalışmada, en doğru zaman serisi tahmin modeline ulaşmak için oynaklığı dikkate alan çeşitli hibrit modeller önerilmektedir. Hibrid modellemede, öncelikle GARCH (Generalized Autoregressive Conditional Hetereoscedastic) ile birleştirilen ARIMA (Autoregressive Integrated Moving Average) modelleri zaman serilerinin modellemesinde, ardından SVM (support vector machine) ve LSTM (Long-Short term memory) gibi zeki modeller hata serilerinin doğrusal olmayan modellemesinde kullanılmaktadır. Ayrıca, hibrit modellerin performansları mevcut metodolijiler kullanılarak tekli modeller ile karşılaştırılmaktadır. Önerilen hibrit metodoloji, zaman serisi verisinin özelliklerini en iyi yansıtan birkaç modeli birleştirerek tahmin performanslarını önemli ölçüde iyileştirmektedir.

DOI :10.26650/ekoist.2022.37.1108411   IUP :10.26650/ekoist.2022.37.1108411    Tam Metin (PDF)

Hybrid Approaches in Financial Time Series Forecasting: A Stock Market Application

Canberk BulutBurcu Hüdaverdi

The hybrid approach in time series forecasting is one of the key methodologies in selecting the most accurate model when compared to the single models. Applications of machine learning algorithms in hybrid modeling for stock market forecasting have been developing rapidly. In this paper, we propose hybrid modeling through machine learning approach for four stock market data; two from the developed stock markets (NASDAQ and DAX) and the other two from the emerging stock markets (NSE and BIST). A stock market is known with its volatile structure and has an unstable nature, so we propose several combinations for the hybrid models considering volatility to reach the most accurate time series forecasting model. In hybrid modeling, first ARIMA (Autoregressive Integrated Moving Average) models combined with GARCH models (Generalized Autoregressive Conditional Heteroscedasticity) are used for modeling of time series, then intelligent models such as SVM (support vector machine) and LSTM (Long-Short term memory) are used for nonlinear modeling of error series. We also compare their performances with single models. The proposed hybrid methodology markedly improves the prediction performances of time series models by combining several models which reflect the time series data characteristics best.


PDF Görünüm

Referanslar

  • Bildirici, M. & Ersin, Ö. Ö. (2009). Improving forecasts of GARCH family models with the artificial neural networks: An application to the daily returns in Istanbul Stock Exchange, Expert Systems with Applications, 36(4), 7355-7362. doi:10.1016/j.eswa.2008.09.051. google scholar
  • Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. google scholar
  • Box, G., & Jenkins, G.M., (1970). Time series analysis: forecasting and control. Holden-Day, San Francisco,CA. google scholar
  • Box, G.E., Jenkins, G.M., Reinsel, G.C., & Ljung, G.M. (2015), Time Series Analysis: Forecasting and Control, John Wiley and Sons. google scholar
  • Chen, K., Zhou, Y., Dai, F. (2015). A LSTM-based method for stock returns prediction: A case study of China stock market. In Proceedings of the 2015 IEEE international conference on big data (Big Data) IEEE, (pp. 2823-2824). google scholar
  • Chiang, W.C.,Urban, T.L., & Baildridge, G.(1996), A neural network approach to mutual fund net asset value forecasting, Omega 24 (2), 205-215. google scholar
  • de Mattos Neto, P.S., Cavalcanti, G.D., & Madeiro, F.(2017), Nonlinear combination method of forecasters applied to PM time series, Pattern Recognit. Lett. 95, 65-72. google scholar
  • Domingos S.O., Oliveira de J.F.L., & Mattos Neto de P.S.G., (2019), An intelligent hybridization of ARIMA with machine learning models for time series forecasting, Knowledge-Based Systems 175, pp.72-86 google scholar
  • Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of he variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, 987-1007. google scholar
  • Fayyad, R. Uthurusamy (Eds.), Proceedings of the First International Conference on Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, CA. google scholar
  • Hyndman, Rob. 2006. “Another Look at Forecast Accuracy Metrics for Intermittent Demand.” Foresight: The International Journal of Applied Forecasting, 4, 43-46. google scholar
  • Khashei, M., & Bijari, M.(2010), An artificial neural network (p, d, q) model for time series forecasting, Expert Syst. Appl. 37(1), 479-489. google scholar
  • Khashei, M., Bijari, M.(2011), A novel hybridization of artificial neural networks and ARIMA models for time series forecasting, Appl. Soft Comput. 11(2), 2664-2675. google scholar
  • Kim K-J., (2003) Financial time series forecasting using support vector machines, Neurocomputing 55, pp.307 - 319. google scholar
  • Kim, H.Y., & Won, C.H. (2018), Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models, Expert Systems With Applications 103, 25-37. google scholar
  • Maknickiene N., & Maknickas, A. (2012, May). Application of neural network for orecasting of exchange rates and forex trading, In Proceedings of the 7th international scientific conference on business and management pp. 10-11. google scholar
  • Markham, L.S., & Rakes T.R. (1998), The effect of sample size and variability of data on the comparative performance of artificial neural networks and regression, Comput. Oper. Res. 25 251-263. google scholar
  • Muller, K.R., Smola, J.A., & Scholkopf, B.(1997), Prediction time series with support vector machines, Proceedings of International Conference on Artificial Neural Networks, Lausanne, Switzerland, pp. 999-1004. google scholar
  • Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, pp. 347-370. google scholar
  • Perez-cruz, F., Afonso-rodriguez, J. A. & Giner, J. (2003), Estimating GARCH models using support vector machines, Quantitative Finance, 3(3), pp.163-172. doi:10.1088/1469-7688/3/3/302 google scholar
  • Panigrahi, S., & Behera, H.(2017), A hybrid ETS-ANN model for time series forecasting, Eng. Appl. Artif. Intell. 66, 49-59. google scholar
  • Scholkopf, B., Burges, C., &Vapnik, V.(1995), Extracting support data for a given task, in: U.M. google scholar
  • Sima, S.N., Neda, T., &Akbar, S.N. (2018), A Comparison of ARIMA and LSTM in Forecasting Time Series,2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA) google scholar
  • Vapnik, V.N.(1995), The Nature of Statistical Learning Theory, Springer, New York . google scholar
  • Yaser, S.A.M., & Atiya, A.F. (1996), Introduction to financial forecasting, Appl. Intell. 6, 205-213. google scholar
  • Zhang G.P., Patuwo E.B., & Hu M.Y., (1998) Forecasting with artificial neural networks: the state of the art, Int. J. Forecasting 14, pp.35-62. google scholar
  • Zhang, G.P. (2003), Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing, 50,159 - 175. google scholar

Atıflar

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


DIŞA AKTAR



APA

Bulut, C., & Hüdaverdi, B. (2022). Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması. EKOIST Journal of Econometrics and Statistics, 0(37), 53-68. https://doi.org/10.26650/ekoist.2022.37.1108411


AMA

Bulut C, Hüdaverdi B. Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması. EKOIST Journal of Econometrics and Statistics. 2022;0(37):53-68. https://doi.org/10.26650/ekoist.2022.37.1108411


ABNT

Bulut, C.; Hüdaverdi, B. Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması. EKOIST Journal of Econometrics and Statistics, [Publisher Location], v. 0, n. 37, p. 53-68, 2022.


Chicago: Author-Date Style

Bulut, Canberk, and Burcu Hüdaverdi. 2022. “Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması.” EKOIST Journal of Econometrics and Statistics 0, no. 37: 53-68. https://doi.org/10.26650/ekoist.2022.37.1108411


Chicago: Humanities Style

Bulut, Canberk, and Burcu Hüdaverdi. Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması.” EKOIST Journal of Econometrics and Statistics 0, no. 37 (Jul. 2024): 53-68. https://doi.org/10.26650/ekoist.2022.37.1108411


Harvard: Australian Style

Bulut, C & Hüdaverdi, B 2022, 'Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması', EKOIST Journal of Econometrics and Statistics, vol. 0, no. 37, pp. 53-68, viewed 25 Jul. 2024, https://doi.org/10.26650/ekoist.2022.37.1108411


Harvard: Author-Date Style

Bulut, C. and Hüdaverdi, B. (2022) ‘Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması’, EKOIST Journal of Econometrics and Statistics, 0(37), pp. 53-68. https://doi.org/10.26650/ekoist.2022.37.1108411 (25 Jul. 2024).


MLA

Bulut, Canberk, and Burcu Hüdaverdi. Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması.” EKOIST Journal of Econometrics and Statistics, vol. 0, no. 37, 2022, pp. 53-68. [Database Container], https://doi.org/10.26650/ekoist.2022.37.1108411


Vancouver

Bulut C, Hüdaverdi B. Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması. EKOIST Journal of Econometrics and Statistics [Internet]. 25 Jul. 2024 [cited 25 Jul. 2024];0(37):53-68. Available from: https://doi.org/10.26650/ekoist.2022.37.1108411 doi: 10.26650/ekoist.2022.37.1108411


ISNAD

Bulut, Canberk - Hüdaverdi, Burcu. Finansal Zaman Serileri Tahmininde Hibrit Yaklaşımlar: Bir Hisse Senedi Piyasası Uygulaması”. EKOIST Journal of Econometrics and Statistics 0/37 (Jul. 2024): 53-68. https://doi.org/10.26650/ekoist.2022.37.1108411



ZAMAN ÇİZELGESİ


Gönderim25.04.2022
Kabul10.10.2022
Çevrimiçi Yayınlanma29.12.2022

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.