Ortalama bir insanın borsaya olan ilgisi geçtiğimiz yıllarda üssel olarak artmıştır [1]. Yani hergün milyarlarca dolar değerinde varlık kar elde etme amacıyla piyasada hareket etmektedir. BIST Tahminlemede RSI (Relative Strength Index – Göreli Güç Endeksi) İndikatörü nasıl kullanıldı bir önceki yazımızda ele almıştık. Tabi ki tek bir teknik indikatör her zaman doğru bilgi vermez bu sebeple genellikle birden fazla indikatör birlikte değerlendirilir. Peki perspektifi genişletirsek başka hangi teknik göstergeler ve çevresel öznitelikler tahminlemede kullanılıyor birlikte göz atalım.
Öncelikle elimizdeki öznitelikleri dört kategori altında toplayabiliriz. Bunlar RSI, PPO, EMA, CCR gibi teknik indikatörleri kapsayan Teknik İndikatörler, Döviz kurları, emitalar, ekonomik performans ve faiz oranı/para arzı göstergelerini kapsayan Makro-Ekonomi, hisseye ait bilanço ve gelir değişkenleri, finansal raporları içerem Çevresel indikatörler ve atılan tweetlerin sentiment analizi, finansal haber içeriklerinin duygu durumları, influencerların tavsiyeleri gibi parametreleri kapsayan Sosyal Medya & Haberler üst başlıklarıdır. Makine öğrenmesi için bu kategoriler genelde görünmezlerdir fakat elimizdeki değerleri kategorilere ayırmak bizim problemi ele almamızı kolaylaştıracaktır.
Teknik göstergeler aslında yaklaşık 1400 farklı özniteliğin tamamıdır. Fakat makine öğrenmesi ile en sık kullanılan teknik göstergeler Açılış, Kapanış, En Yüksek Fiyat, En Düşük Fiyat, Hacim, Basit Hareketli Ortalama (SMA), RSI, Üssel Hareket Ortalaması (EMA), Hareketli Ortalama Yakınsama Sapmasıdır (MACD). Makro ekonomik göstergeleri biraz daha detaylı ele aldığımızda ilk karşımıza çıkan ve en sık kullanılan öznitelik Amerikan Dolarıdır. Amerikan doları/Japon Yeni (USD/JPY) arasındaki kur oranı sıklıkla kullanılmaktadır. Doların Çin Yuana oranı (USD/CNY), Doların Kanada dolarına ve Euroya oranı (USD/CAD, USD/EUR) en sık kullanılan parametrelerdir. Bununla birlikte ekonomik performans göstergelerinden ulusal verimlilik, ticaret ve sektör performansı , ÜFE ve TÜFE, Faiz oranları ve para arzı bir çok yaklaşımda modele dahil edilmiştir. Makro göstergelerden Altın ve Petrol emitası fiyatlamaları yine borsa fiyat modellemede en sık kullanılanlardandır.
Çevresel İndikatörler yine yaklaşık 150 farklı göstergeyi kapsamaktadır fakat en sık borç-toplam varlıklar oranını gösteren Sermayeleşme Oranı, cari oran yani Likide Oranı, varlık getiri oranı olan Karlılık Oranı ve toplam varlık devir oranı yani Aktivite Oranıdır. Bu bağlamda, şirketin göreceli karlılığı, göreceli finansmanı ve varlıklarını kullanma yeteneği, hisse ve hisse senedi piyasa tahminleri için mali tablolardan çıkan en önemli değişkenler gibi görünmektedir.
Sosyal Medya ve Finansal Haberler başlığı tahminlemede 2015’ten beri bazı çalışmalarda ele alınan bir konudur. Huang ve arkadaşları (2010) çalışmalarında finansal haber başlıklarının analiz etmişlerdir. Çoğu çalışma yatırımcı duyarlılığını Tayvan elektronik gazeteleri (Huang et al., 2010), Bloomberg (Jin et al., 2013) ve FINET (Li et al., 2014) gibi kamuya açık medya kaynaklarından gelen haberleri analiz ederek ölçmektedir. Bununla birlikte bazı bilimsel çalışmalar etki sahibi kişilerin görüşlerini doğrudan paylaştığı sosyal medya içeriklerini modele dahil etmişlerdir (Yu, Duan, & Cao, 2013; Wang, Xu, & Zheng, 2018).
Bu yazıda literatürde sıklıkla kullanılan öznitelikleri kategorik olarak ele aldık. Data Kapital olarak hem teknik göstergelerin bir kısmını içeren backtest sonuçlarına hem sosyal medya etki sahibi kişilerin aylık sıralamasına platform üzerinden ulaşabilirsiniz.
Referanslar
[1] Badolia, L. (2016). How can i get started investing in the stock market. Educreation Publishing.
[2] Huang, C. J., Liao, J. J., Yang, D. X., Chang, T. Y., & Luo, Y. C. (2010). Realization of a news dissemination agent based on weighted association rules and text mining techniques. Expert Systems with Applications, 37(9), 6409-6413.
[3] Jin, F., Self, N., Saraf, P., Butler, P., Wang, W., & Ramakrishnan, N. (2013, August). Forex-foreteller: Currency trend modeling using news articles. In Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1470-1473).
[4] Xiaodong Li, Haoran Xie, Li Chen, Jianping Wang, Xiaotie Deng, News impact on stock price return via sentiment analysis, Knowledge-Based Systems, Volume 69, 2014.
[5] Yu, Y., Duan, W., & Cao, Q. (2013). The impact of social and conventional media on firm equity value: A sentiment analysis approach. Decision support systems, 55(4), 919-926..
[6] Wang, Q., Xu, W., & Zheng, H. (2018). Combining the wisdom of crowds and technical analysis for financial market prediction using deep random subspace ensembles. Neurocomputing, 299, 51-61..