Comparison of the performances of BIST 30 portfolios by using machine learning algorithms
Yükleniyor...
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Bilgi Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
ABSTRACT: In this study, the prices of BIST 30 stocks are estimated using machine learning algorithms such as linear regression, decision tree, support vector machines, long- short term memory and XGBoost, and based on these predicted prices, various portfolios have been created. Portfolios are generally managed in two ways, active and passive. The most important factor while choosing one is their return. Current studies show that the returns of funds traded on Borsa Istanbul Stock Exchange performed below the market, in other words, passive management beat active management. On the other hand, there are also studies showing that portfolios to be created with certain strategies yielded higher returns than the market. In this study, first of all, the prices of BIST 30 stocks for 1 month, 2 months, 3 months, 4 months, 6 months and 12 months are predicted by using machine learning algorithms and according to these revision periods, 6 strategies were created. In the second stage, these strategies were diversified by changing the portfolio sizes (5-10-15 shares). As a result, a total of 90 strategies were formed with 3 different sizes, 6 different timeframes and 5 different algorithms. As a result of the study, it was determined that the returns of portfolios created by using machine learning algorithms are generally above the return of the BIST 30 index. Also, the LSTM algorithm generally makes more successful predictions, 12-month strategies yield higher returns than other strategies, and portfolios including 5 shares are more successful than other portfolios. The result table shows that the most successful portfolio is the portfolio with 5 shares, revised every 12 month and created by using the XGBoost algorithm.
ÖZET: Bu çalışmada makine ogrenmesi algoritmalarindan lojistik regresyon, karar ağacı (decision tree), sektor vektor makineleri (support vector machine), uzun-kisa sureli bellek (long-short term memory) ve XGBoost kullanilarak BIST 30 hisse senetlerinin fiyatlari tahmin edilmis ve bu tahmin fiyatlari baz alinarak cesitli buyukluklerde portfoyler olusturulmustur. Portföyler genel olarak aktif ve pasif olmak üzere iki şekilde yönetilmektedir. Yatırımcıların bunlardan hangisini seçeceğini belirleyen en önemli faktör sağladıkları getirilerdir. Mevcut çalışmalar, BİST’te işlem gören fonların getirilerinin piyasanın altında performans sergilediğini, diğer bir deyişle pasif yönetimin aktif yönetimi yendiğini göstermektedir. Bununla beraber belirli stratejiler kapsamında oluşturulacak portföylerin, endeksin üzerinde getiri sağladığını gösteren çalışmalar da mevcuttur. Bu çalışmada ilk önce makine öğrenmesi yöntemleri uygulanarak BIST 30 hisselerinin 1 ay, 2, ay, 3 ay, 4 ay, 6 ay ve 12 aylik fiyatlari tahmin edilmis ve bu aylara gore portfoy revizyonunun yapildigi 6 strateji olusturulmustur. İkinci aşamada ise sozkonusu stratejiler portfoy büyüklükleri (5-10-15 hisse) değiştirilerek çeşitlendirilmiştir. Sonuc olarak 5 farklı algoritmadan, 6 farklı zaman diliminde kendini revize eden, 3 farkli buyuklukte toplam 90 strateji bulunmustur. Çalışmanın sonucunda, makine öğrenmesi algoritmaları kullanılarak oluşturulan portföylerin getirilerinin genel olarak BIST 30 endeksinin getirisinin uzerinde oldugu tespit edilmistir. Ayrica LSTM algoritmasinin genel olarak daha basarili tahminler yaptigi, 12 aylik stratejilerin diger stratejilerden daha yüksek getirili oldugu ve 5 hisseden oluşan portföylerin diger portföylerden daha basarili oldugu gorulmustur. Sonuc tablosu en basarili olan portföyün XGBoost algoritmasını kullanan, 12 ayda revize edilen ve 5 hisseden oluşan portföy oldugunu gostermektedir.
ÖZET: Bu çalışmada makine ogrenmesi algoritmalarindan lojistik regresyon, karar ağacı (decision tree), sektor vektor makineleri (support vector machine), uzun-kisa sureli bellek (long-short term memory) ve XGBoost kullanilarak BIST 30 hisse senetlerinin fiyatlari tahmin edilmis ve bu tahmin fiyatlari baz alinarak cesitli buyukluklerde portfoyler olusturulmustur. Portföyler genel olarak aktif ve pasif olmak üzere iki şekilde yönetilmektedir. Yatırımcıların bunlardan hangisini seçeceğini belirleyen en önemli faktör sağladıkları getirilerdir. Mevcut çalışmalar, BİST’te işlem gören fonların getirilerinin piyasanın altında performans sergilediğini, diğer bir deyişle pasif yönetimin aktif yönetimi yendiğini göstermektedir. Bununla beraber belirli stratejiler kapsamında oluşturulacak portföylerin, endeksin üzerinde getiri sağladığını gösteren çalışmalar da mevcuttur. Bu çalışmada ilk önce makine öğrenmesi yöntemleri uygulanarak BIST 30 hisselerinin 1 ay, 2, ay, 3 ay, 4 ay, 6 ay ve 12 aylik fiyatlari tahmin edilmis ve bu aylara gore portfoy revizyonunun yapildigi 6 strateji olusturulmustur. İkinci aşamada ise sozkonusu stratejiler portfoy büyüklükleri (5-10-15 hisse) değiştirilerek çeşitlendirilmiştir. Sonuc olarak 5 farklı algoritmadan, 6 farklı zaman diliminde kendini revize eden, 3 farkli buyuklukte toplam 90 strateji bulunmustur. Çalışmanın sonucunda, makine öğrenmesi algoritmaları kullanılarak oluşturulan portföylerin getirilerinin genel olarak BIST 30 endeksinin getirisinin uzerinde oldugu tespit edilmistir. Ayrica LSTM algoritmasinin genel olarak daha basarili tahminler yaptigi, 12 aylik stratejilerin diger stratejilerden daha yüksek getirili oldugu ve 5 hisseden oluşan portföylerin diger portföylerden daha basarili oldugu gorulmustur. Sonuc tablosu en basarili olan portföyün XGBoost algoritmasını kullanan, 12 ayda revize edilen ve 5 hisseden oluşan portföy oldugunu gostermektedir.
Açıklama
Anahtar Kelimeler
Makine Öğrenmesi Algoritmaları, Aktif/Pasif Portföy Yönetimi, Yatırım Stratejisi, Fiyat Tahmini, BİST 30, Machine Learning Algorithms, Active/Passive Portfolio Management, Invesment Strategy, Price Prediction
