dc.contributor.advisor | Ulucan, Aydın | |
dc.contributor.author | Kara, Mahmut | |
dc.date.accessioned | 2018-01-12T12:08:04Z | |
dc.date.available | 2018-01-12T12:08:04Z | |
dc.date.issued | 2017 | |
dc.date.submitted | 2017-12-11 | |
dc.identifier.citation | Kara, Mahmut. (2017).Yapay Zeka Modeliyle Genişletilmiş Hibrit Black-Litterman Model Önerisi, Borsa İstanbul BIST-30 Endeks Verileri İle Test Edilmesi. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi, Yayımlanmamış Doktora Tezi. | tr_TR |
dc.identifier.uri | http://hdl.handle.net/11655/4160 | |
dc.description.abstract | In this study a new hybrid model developed using both artificial intelligence algorithms and GARCH econometric model. This hybrid model is used to produce daily basis investor views these are rational, systematic and based on mathematical calculations, for Black-Litterman portfolio optimization model. These investor views used at Black-Litterman model and applied to common stocks that are in BIST 30 index of Borsa Istanbul market to test the validity and reliability of the hybrid model. The hybrid model is composed of two stages. At the first stage, technical indicators of common stocks were forecasted on a rolling daily basis using its historical data. At the second stage, a support vector machine model was built based on technical indicators as input and common stocks’ returns as output. The technical indicator forecasts made by GARCH model were used as input at artificial intelligence model and common stocks’ returns forecast were produced. These forecasts were used as absolute investor views at Black-Litterman optimization model. As a result, higher return values achieved by this hybrid model compared to BIST 30 index returns, equally weighted portfolio returns or random weighted simulation based portfolio returns. In addition, it is found that the best holding period for the investors is 20 business days according to the calculations made through hybrid model results. | tr_TR |
dc.description.sponsorship | TÜBİTAK | tr_TR |
dc.description.tableofcontents | İÇİNDEKİLER
KABUL VE ONAY İ
BİLDİRİM ii
YAYIMLAMA VE FİKRİ MÜLKİYET HAKLARI BEYANI iii
ETİK BEYAN iv
TEŞEKKÜR v
ÖZET vi
ABSTRACT vii
İÇİNDEKİLER viii
GRAFİK DİZİNİ xi
ŞEKİLLER DİZİNİ xii
1. BÖLÜM: GİRİŞ 1
2. BÖLÜM: PORTFÖY OPTİMİZASYONUNUN TEORİK ÇERÇEVESİ 10
2.1. ORTALAMA – VARYANS MODELİ 10
2.1.1. Etkin Sınır Hipotezi 14
2.1.2. Portföy Seçimi ve Farksızlık Eğrileri 15
2.2. SERMAYE VARLIKLARI FİYATLANDIRMA MODELİ (SVFM) 16
2.3. ENDEKS MODELLER 20
2.3.1. Tek Endeksli Modeller 21
2.3.2. Çok Endeksli Modeller 22
2.3.3. Arbitraj Fiyatlandırma Modeli 22
2.3.4. Fama – French Üç Faktörlü Varlık Fiyatlama Modeli 24
2.4. PORTFÖY PERFORMANSININ ÖLÇÜLMESİ 25
2.5. PERFORMANS ÖLÇÜTLERİ 26
2.5.1. Sharpe Oranı 26
2.5.2. M2 Performans Ölçütü 27
2.5.3. Sortino Performans Ölçütü 27
2.5.4. Treynor Endeksi 28
2.5.5. Jensen Alfa Performans Ölçütü 29
3. BÖLÜM: OPTİMAL PORTFÖY SEÇİMİNDE BLACK-LİTTERMAN MODELİ 31
3.1. BLACK-LİTTERMAN MODELİNİN GELİŞİMİ 31
3.2. BAYES TEORİSİ 33
3.3. SVFM DENGE GETİRİLERİNİN HESAPLANMASI 36
3.4. YATIRIMCI GÖRÜŞLERİNİN OLUŞTURULMASI 39
3.5. BAYES TEOREMİNİN BLACK–LİTTERMAN MODELİNE UYGULANMASI 42
3.6. BLACK-LITTERMAN MODELİNİN GELİŞTİRİLMESİ VE HİBRİT MODEL ÖNERİLERİ 44
4. BÖLÜM: FİNANSAL TEKNİK GÖSTERGELER 51
4.1. TRENDLERİN TANIMI 55
4.1.1. Yükselen Trend 56
4.1.2. Alçalan Trend 57
4.2. TRENDLERİN ANALİZ YÖNTEMLERİ 58
4.2.1. Bağıl Güç Endeksi 58
4.2.2. Ortalama Yönlendirici Hareket Göstergesi 59
4.2.3. Hareketli Ortalama, Yakınsama, Iraksama (MACD; Moving Average, Convergence-Divergence) 60
4.2.4. MACD Sinyal 61
4.2.5. Korku ve Hırs (Fear and Greed) Endeksi 61
4.2.6. Hurst (Tepe) Endeksi 62
4.2.7. Basit Hareketli Ortalama 64
4.2.8. Üssel Hareketli Ortalama 64
4.2.9. Ortalama Gerçek Aralık (Average True Range-ATR) 65
5. BÖLÜM: YAPAY ZEKÂ VE DESTEK VEKTÖR MAKİNELERİ 67
5.1. Yapay Zekâ 67
5.2. Destek Vektör Makineleri 69
5.3. Yapay Zekâ ile Finansal Portföy Optimizasyonu Akademik Çalışmaları 73
6. BÖLÜM: VERİ SETİ VE YÖNTEM 77
6.1. Veri Seti 77
6.2. Yöntem 79
7. BÖLÜM: MODEL ANALİZİ VE BULGULARI 85
7.1. Göstergelerin Trend Takip Eden ve Momentum Gösterge Olmaları Bakımından Sınıflandırılarak Destek Vektör Makineleriyle Hisse Senedi Getirisi Tahmini 105
7.2. Trend Gösteren Piyasalarda Black-Litterman Modeli Yatırımcı Görüşü ve Portföy Optimizasyon Sonuçları 106
7.3. Yatay Piyasalarda Black-Litterman Modeli Yatırımcı Görüşü ve Portföy Optimizasyon Sonuçları 107
7.4. Test Döneminde BIST 30 Endeksi Fiyat Hareketleri ile Trend ve Momentum Teknik Göstergeleri Performans Değerlendirilmesi 108
7.5. Modelin Geçerliliğin Sınanması 110
8. BÖLÜM: ÇALIŞMANIN KISIT ve VARSAYIMLARI 112
9. BÖLÜM: SONUÇ VE DEĞERLENDİRME 117
KAYNAKÇA 120
EKLER 127
EK 1: Seçilmiş Literatür Çalışmaları Özet Tablosu 127
Ek 2: Hisse Senedi Teknik Göstergeleri Gerçekleşme ve Tahminleri Grafikleri 129
Ek 3: Hisse Senedi Getirileri Gerçekleşme ve Yapay Zeka Modeli Tahminleri Grafikleri 159
Ek 4: Orijinallik Raporu 174
Ek 5: Etik Kurul Muafiyet İzni 175 | tr_TR |
dc.language.iso | tur | tr_TR |
dc.publisher | Sosyal Bilimler Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | tr_TR |
dc.subject | Destek vektör makineleri | |
dc.subject | Yapay zeka | |
dc.subject | Portföy optimizasyonu | |
dc.subject | Black-litterman modeli | |
dc.subject | Garch modeli | |
dc.subject | Hibrit model | |
dc.title | Yapay Zeka Modeliyle Genişletilmiş Hibrit Black-Litterman Model Önerisi, Borsa İstanbul Bıst-30 Endeks Verileri İle Test Edilmesi | tr_TR |
dc.type | info:eu-repo/semantics/doctoralThesis | tr_TR |
dc.description.ozet | Bu çalışmada yapay zeka algoritmaları ile GARCH ekonometrik modeli birlikte kullanılarak hibrit bir model geliştirilmiştir ve bu modelle Black-Litterman optimizasyon modeline girdi olmak üzere nesnel, matematiksel hesaplamalara dayalı ve sistematik olarak günlük bazda yatırımcı görüşleri elde edilmektedir. Elde edilen yatırımcı görüşleri kullanılarak Black-Litterman modeliyle Borsa İstanbul sermaye piyasasındaki BİST 30’da yer alan hisse senetleri üzerinde uygulanarak yatırımcı görüşleri oluşturulan hibrit modelin geçerliği ve güvenirliği test edilmiştir. Söz konusu hibrit model iki aşamalı olarak tasarlanmıştır. İlk aşamada GARCH modeliyle hisse senetlerine ait teknik göstergelerin geçmiş verileri kullanılarak günlük bazda kayan periyotlarda tahminler yapılmıştır. İkinci aşamada ise, yapay zeka algoritmalarından destek vektör makineleri ile teknik göstergeler girdi ve hisse senedi getirileri çıktı olacak şekilde modelleme yapılmıştır. GARCH modeliyle elde edilen teknik gösterge tahminleri yapay zeka modelinde girdi olarak kullanılarak hisse senedi getirileri tahmini elde edilmiştir. Bu tahminler ise Black-Litterman modeli için mutlak yatırımcı görüşleri olarak değerlendirilerek optimizasyon yapılmıştır. Sonuç olarak, BİST 30 endeksine, eşit ağırlıklı yatırım portföyüne ve rassal ağırlıklarla oluşturulan portföylere göre daha yüksek düzeyde getiri elde edilebildiği gösterilmiştir. Ayrıca, elde tutma süresiyle ilgili yapılan analizlerde model sonuçlarına göre oluşturulan portföylerin 20 işgünü elde tutmanın en yüksek düzeyde getiri sağladığı tespit edilmiştir. | tr_TR |
dc.contributor.department | İşletme | tr_TR |