Prediction of up and down signalsın selected blues chip stocks

Abstract

Efforts have been made to predict the direction in which equity stocks will move in the capital markets. In most of these studies, Technical Analysis and Fundamental Analysis based models have been used. For daily price estimations, macroeconomic variables or financial ratios of financial instruments are used. On the other hand trade book data are taken into consideration in intraday price estimates. In this study, equity market data analytics, which are created by Borsa İstanbul as a benchmark for intraday price signals, are used. These analytics are derived from trade and order book data. For 5 minute periods, intraday price and equity market data analytics data sets are created, and different algorithms are tried over these data sets. The study is carried out using one-week data of 4 selected blue chip stocks. The signals for increase is 1, for decreases is -1 and 0 for non-change signals. As a result of the study, the decision jungle algorithm is the most successful algorithm. In addition this, the lack of volatility and liquidity in the market have caused overfitting problems in ensemble algorithms. According to the multiclass decision jungle confusion matrix, the positive true results for 1 (or increase of the price) are promising. If an investors can just use the algorithm for the price increase, it will be meaningful. The true positive ratio of 1, 54.5%, is too high when it is compared with its false trues value for decrease (or -1), which is just 13.6%. The difference between true positive and false negative (54.5% - 13.6%) will be the earning ratio for the investor, if he/she decides to invest the price increase of Yapi Kredi stock with the decision jungle algorithm. Although it is stated that big data algorithms (machine learning techniques) can give the best results for the data, domain knowledge related to the data is still very important. As it is seen in the study, in order to overcome the problems of overfitting or bias that occur in other studies, it is necessary to obtain sufficient domain knowledge in consultation with the experts and practitioners of the subject. In addition, the increase in the studies on intraday trading, which is a shallow area in the literature, will provide better results in the studies conducted on price forecasts in the future. In the results of this study, parallel with the literature, it is revealed that there is difficulty in estimating the stock price movements.

Sermaye piyasalarında pay senetlerinin hangi yönde hareket edeceği sürekli olarak araştırmalara konu olmuştur. Bu çalışmaların çoğunda, Teknik Analiz ve Temel Analiz bazlı modeller kullanılmıştır. Günlük fiyat tahminleri için makroekonomik değişkenler veya finansal oranlar kullanılmıştır. Diğer yandan, gün içi fiyat tahminlerine yönelik çalışmalarda ise işlem defteri verileri dikkate alınmıştır. Bu çalışmada, Borsa İstanbul tarafından gün içi fiyatlara yönelik sinyaller olarak oluşturulan pay senedi piyasası veri analitikleri kullanılmıştır. Bu analitikler, işlem ve emir defteri verilerinden elde edilmiştir. Söz konusu analitikler kullanılarak 5 dakikalık dönemler için, gün içi fiyat ve hisse senedi piyasası veri analizi veri setleri oluşturulmuş ve bu veri setleri üzerinden farklı algoritmalar denenmiştir. Çalışma, BIST 30 endeksinde yer alan şirketler arasından seçilen 4 pay senedinin bir haftalık verileri kullanılarak gerçekleştirilmiştir. Fiyat artışları 1, azalışları -1, fiyat değişikliği olmayan dönemler ise 0 olarak alınmıştır. Çalışma sonucunda fiyat hareketlerini tahmininde en başarılı algoritma olarak karar ağacı/ormanı algoritması çıkmıştır. Buna ek olarak, piyasadaki oynaklık ve likidite eksikliği, eş zamanlı toplu olarak çalışan makine öğrenimi algoritmalarında aşırı uyumlamaya neden olmuştur. Çok sınıflı karar ağacı/ormanı algoritmasından elde edilen hata matrisine göre, 1 için olumlu gerçek sonuçlar (veya fiyat artışı) umut vericidir. Dolayısıyla bir yatırımcı söz konusu algoritmayı sadece fiyat artışı için kullanması halinde, anlamlı sonuçlar alabilecektir. % 54.5 olarak elde edilen gerçek pozitif değeri (fiyat artışı veya 1), sadece % 13.6 olarak elde edilen (fiyat düşüşü veya -1) yanlış negatif değerleriyle karşılaştırıldığında çok yüksektir. Gerçek pozitif değeri ile yanlış negatif değeri arasındaki oran, , Yapı Kredi pay senedinin fiyat artışına karar ormanı algoritması ile yatırım yapmaya karar vermesi halinde yatırımcı için kazanç oranı olacaktır. Makine öğrenimi tekniklerinin veri seti analizleri için en iyi sonuçları verebileceği belirtilmesine rağmen, verilerle ilgili uzman bilgisi hala çok önemlidir. Çalışmada görüldüğü gibi, diğer çalışmalarda ortaya çıkan aşırı uyuşma/uyum veya taraflılık sorunlarının üstesinden gelmek için, konunun uzmanları ve uygulayıcıları ile istişare içinde yeterli uzman bilgisinin elde edilmesi gerekmektedir. Ayrıca literatürde henüz sığ bir alan olan gün içi alım satım işlemlerine yönelik yapılan çalışmaların artması ilerleyen dönemlerde fiyat tahminlerine yönelik yapılan çalışmalarda daha iyi sonuçlar alınabilmesini sağlayacaktır. Çalışma sonuçları literatür ile paralel pay senedi fiyat hareketlerini tahmin etmede güçlüğü ortaya koymaktadır.