HİSSE SENEDİ FİYAT TAHMİNİNDE EKONOMETRİK VE MAKİNE ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRILMASI: BİST BANKACILIK UYGULAMASI

İnsanların gelecek ile maddi kaygılarını azaltmanın bir yolu yatırım yapmaktır. Günümüzde çok çeşitli ve karmaşık yatırım araçlarından hisse senetleri en çok rağbet edilenlerin başında gelmektedir. Özellikle risk algısı veya yatırım beklentisi yüksek yatırımcılar tarafından hisse senetlerinin gelecek dönemlerine ilişkin fiyatları merak unsuru olmuştur. Hisse senedi fiyat tahmin çalışmaları uzun zamanlardan beri yapılmakta olan ve her geçen gün geliştirilen yöntemler ile yapılmaya devam eden bir çalışma alanıdır. Genel itibariyle ekonometrik ve makine öğrenme yöntemleri şeklinde iki grup halinde yapılan çalışmalar gelişen yeni tekniklerin uyumlanması ile birlikte daha da çeşitlenmektedir. Bu tez kapsamında ekonometrik yöntemlerden ARIMA ve ARIMAX ile makine öğrenme yöntemlerinden NNAR ve NNET yöntemleri karşılaştırılmıştır. Bu dört yöntem aynı zamanda otoregresif yöntemler (ARIMA ve NNAR) ve bağımsız değişkenli yöntemler (ARIMAX ve NNET) olarak da gruplanabilmektedir. Bu yöntemlerin performansları Türkiye’de piyasaların en önemli aktörlerinden biri olması, kurumsal yapılarının güçlü olması, ekonomiye yön verme potansiyeline sahip olmaları ve yatırımcı açısından önemli sinyaller barındırması sebebiyle BİST Bankacılık şirketleri (Akbank Türkiye A.Ş., Garanti Bankası A.Ş., Halk Bankası A.Ş., İş Bankası A.Ş., Vakıflar Bankası T. A. O. ve Yapı ve Kredi Bankası A.Ş.) kullanılarak gerçekleştirilmiştir. Uygulama kısmında bağımsız değişkenli yöntemler için dışsal girdilere ihtiyaç duyulması sebebiyle hisse senetlerinin günlük işlemlerinden türetilen 25 adet teknik gösterge ve piyasa değişkenleri kullanılmıştır. Tüm bu değişkenlerin hisse senedi fiyatı üzerinde etkilerinin aynı olmaması ve her hisse senedinin kendine ait dinamik ve karakteristik yapısında farklılık gözeteceği noktalarından hareket ile her bankaya ait kendine özgü model oluşturulmuştur. Bu aşamada on adet değişken azaltma tekniği uygulanmıştır. Bunlardan beş tanesi (SFBS, MARS, RFE, GA ve SA) kapanış fiyatı ile en yüksek ilişkili değişken kümesini herhangi bir ağırlıklandırma yapmadan sunarken, diğer beş tanesi (BORUTA, LM, RF, SVM KNN) tüm değişkenlerin kapanış fiyatını temsil etmesini önem derecesi olarak sunmuştur. Modeli oluşturan değişkenler, yöntemlerde başarılı kümelerde yer alma sıklıkları ve hisse senedi fiyatı ile ilişkisi göz önüne alınarak seçilmiştir. Ekonometrik ve makine öğrenme yöntemleri bankalara özgü model verilerine uygulanan kayan pencere tekniği yardımıyla uygulanmıştır. Yöntem kıyaslamasının yanı sıra veri periyotları 220, 180, 120, 90, 60 ve 30 günlük olarak belirlenmiş ve periyot farklılıklarının etkileri incelenmiştir. Bunun yanı sıra tahmin penceresi de 1 günden 10 güne kadar belirlenmiş ve pencerelerin yöntemler üzerindeki etkileri incelenmiştir. Bankalara ait analizler yıllar kapsamında değerlendirilmiş olup 2016, 2017, 2018, 2019 ve 2020 yılları ayrı ayrı yorumlanmıştır. Analizler neticesinde fiyat tahmini ile gerçekleşen fiyat arasındaki hatalar RMSE, MAE ve MAPE hata ölçütleri kullanılarak raporlanmıştır. Çalışmanın temel noktası bankaya özgü model üzerinden tahmin çalışması olmasına karşın yöntemler açısından genel bir değerlendirme yapıldığında NNET yönteminin pek çok bankanın analizlerinde en başarılı yöntem olarak tespit edildiği görülmektedir. Analizler neticesinde NNET yöntemi İş Bankası ve Halk Bankası’nda %85 üzerinde başarılı olmuştur. Garanti Bankası ve Vakıflar Bankasında %75 civarında iken en az Yapı Kredi Bankası’nda (%45) başarılı olmuştur. ARIMA yöntemi ise en çok Yapı Kredi Bankası’nda başarılı olurken onu Garanti Bankası ve Vakıflar Bankası izlemiştir. ARIMAX yönteminin başarısı çok kısıtlı miktarda kalmasına karşın Yapı Kredi Bankası modelinde önemli düzeyde başarı elde ederken Garanti Bankası’nda da belirgin bir katkı sağlamıştır. NNAR yöntemi ise en ciddi başarısını Akbank’ta gösterirken tüm analizler içerisinde %6 ile sınırlı kalmıştır. Diğer bankaların modellerinde önemli düzeyde bir başarı elde edememiştir. Veri periyodu bakımından en başarılı periyot 18 kez en düşük hata payı ile çalışan 220 günlük periyot olurken, 30 günlük periyot 6, 180 günlük periyot 3, 60 ve 90 günlük periyot 2 kez başarılı olmuştur. 120 günlük periyodun herhangi bir başarısı olmamıştır. Tahmin penceresi bakımından bir çeşitlilik söz konusu değildir. Tüm analizlerde en düşük hata payı ile çalışan pencere 1 günlük pencere olarak tespit edilmiştir. Bu durum hisse senetleri gibi çok çeşitli faktörlerden etkilenen ve hemen reaksiyon gösteren bir finansal varlıklarda uzun süreli tahminlerin istenilen düzeyde başarılı olamayacağının bir göstergesi niteliğindedir. Ekonometrik ve makine öğrenme yöntemleri bağlamında değerlendirme yapıldığında ise Akbank ve Garanti Bankası’nda ekonometrik yöntemler ortalama %24 başarılı olurken, makine öğrenme yöntemleri %76 oranında başarılı olmuştur. Bu oran Halk Bankası ve İş Bankası’da ise %90’a çıkmaktadır. Vakıflar Bankası’nda ekonometrik yöntemler %19 başarılı olurken, makine öğrenme yöntemleri %81 oranında başarılı analizler gerçekleştirmiştir. Tüm bankaların analizleri temel alındığında ekonometrik yöntemler %22.7, makine öğrenme yöntemleri ise %77.3 oranında başarılı olmuştur. Otoregresif yöntemler ve bağımsız değişkenli yöntemler bakımından genel bir değerlendirme yapıldığında, İş Bankası, Garanti Bankası ve Halk Bankası’nda otoregresif yöntemlerin başarısı ortalama %10 ile sınırlı kalmıştır. Vakıflar Bankası ve Akbank’ta bu oran ortalama %20 civarında iken Yapı Kredi Bankası’da ise %38’e kadar çıkmıştır. Bankalara ait tüm analizler göz önüne alındığında otoregresif yöntemler %18.3 oranında başarılı olurken bağımsız değişkenli modeller %81.7 oranında başarılı olmuştur. Analizlere bir bütün olarak bakıldığında bankaların kendi iç dinamikler dikkate alınmadığında makine öğrenme yöntemleri daha başarılı tahminler üretmiştir. Bunun yanında makine öğrenme yöntemleri ve bağımsız değişkenli yöntemlerde NNET, ekonometrik ve otoregresif yöntemlerde ise ARIMA başarılı olmuştur