Show simple item record

dc.contributor.advisorDalgıç, Başak
dc.contributor.authorBerberoğlu, Berçim
dc.date.accessioned2020-08-18T08:51:56Z
dc.date.issued2020
dc.date.submitted2020-07-02
dc.identifier.urihttp://hdl.handle.net/11655/22565
dc.description.abstractThe aim of this thesis is to test the Efficient Market Hypothesis using artificial intelligence-based techniques. In this regard, we utilize artificial intelligence based models that have both deep and shallow architectures which are Long Short Term Memory (LSTM) Networks and Support Vector Regression (SVR) to predict the next day's close price of the selected stocks from BIST30 Index. Next, we construct trading strategies by making use of the predictions produced by the forecasting models. We feed these models using a comprehensive dataset including technical analysis indicators and investor sentiment variables. Thus, we predict the following day's close prices both by using historical price data which is accessible without any costs and the investor sentiment containing market's non-rational components. In order to proxy investor sentiment, we use Bloomberg's news sentiment data which is developed to imitate a human in processing financial news. We show the superior performance of our trading strategies that are constructed using both LSTM and SVR models compared to simply buy and hold market index in terms of all performance metrics. Moreover, we reach similar results when transaction costs are considered. Our findings reveal that successful predictions can be made and trading strategies can be built using publicly available information and artificial intelligence-based models. Moreover, investing with these strategies, above-average risk-adjusted return can be yielded. Thus, we provide contradictory evidence to EMH's negatory arguments about the asset price predictability.tr_TR
dc.language.isoentr_TR
dc.publisherSosyal Bilimler Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectInancial forecastingtr_TR
dc.subjectMachine learning
dc.subjectDeep learning
dc.subjectTrading strategies
dc.subjectInvestor sentiment
dc.subjectTechnical analysis
dc.titleConstructıng Tradıng Strategıes Usıng Artıfıcıal Intellıgence Based Models: An Applıcatıon For Borsa Istanbultr_en
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetBu tezde amaç, yapay zekaya dayalı teknikler kullanarak Etkin Piyasalar Hipotezini test etmektir. Bu bağlamda, ertesi günün kapanış fiyatını tahmin etmek ve bu tahmin modellerinin ürettiği tahminleri kullanarak alım-satım stratejileri oluşturmak için hem derin hem de sığ mimarilere sahip yapay zeka tabanlı modelleri kullanılmıştır. Bu modeller, teknik analiz göstergeleri ve yatırımcı duyarlılığı değişkenlerini içeren kapsamlı bir veri seti ile beslenmiştir. Böylece, hem herkesin herhangi bir maliyete katlanmadan erişebileceği bir bilgi olan tarihsel fiyat verilerini, hem de piyasanın rasyonel olmayan bileşenlerini içeren yatırımcı duyarlılığını kullanarak tahmin yapılmıştır. Haber kanallarından çıkarılan bilgilerin, bu kanal aracılığıyla piyasanın irrasyonel bileşenlerini taşıdığı ve yatırımcıların ilgili finansal araç hakkındaki düşüncelerinin temelini oluşturduğu fikrini takiben yatırımcı duyarlılığı için Bloomberg'in haber duyarlılığı skorları vekil olarak kullanılmıştır. Bu özellik kümesi, hem EPH'nin zayıf formda piyasa etkinliği ve yatırımcının saf rasyonalitesi hakkındaki argümanlarına bir yanıt olarak seçilmiştir. Varlık fiyatlarının bir dereceye kadar tahmin edilmesi, EPH'nin geçerliliği hakkında çelişkili bir kanıt sunmamaktadır. Bu nedenle, bu öngörülebilirlik derecesinden de yararlanarak, ortalama riske göre ayarlanmış getirilerin üzerinde kazanç sağlamak için alım-satım stratejileri oluşturulmuştur. Buna göre, EPH'nin geçerliliği için yapılan testler iki aşamadan oluşmaktadır: hisse senedi fiyatlarını tahmin etmek ve bu tahminleri alım-satım stratejileri yoluyla uygulamak. Hem LSTM hem de SVR modelleri kullanılarak oluşturulan alım-satım stratejilerinin, tüm performans ölçütleri açısından piyasa endeksini al ve tut stratejisinden üstün performans sergilediği gösterilmiştir. Ayrıca işlem maliyetleri hesaba katıldığında bile benzer sonuçlara ulaşıldığı görülmüştür. Sonuç olarak, hem derin hem sığ mimarilere sahip yapay zeka tabanlı modelleri ve halka açık bilgiler kullanılarak başarılı tahminler yapılabileceği ve alım-satım stratejilerinin oluşturulabileceği ifade edilmiş ve EPH'nin varlık fiyatlarının tahmin edilebilirliği konusundaki olumsuz argümanlarına karşı bir eleştiri sunulmuştur.tr_TR
dc.contributor.departmentİktisattr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2020-08-18T08:51:56Z
dc.fundingYoktr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess