Borsa İstanbul’da yatırımcılara potansiyel fırsatları belirlemek için çeşitli teknik analizler yapılır ve farklı indikatörlere bakılır. Bu yazıda RSI (Relative Strength Index – Göreceli Güç Endeksi) momentum indikatörü nasıl kullanılabilir bilimsel çalışmalardan yararlanarak anlatmaya çalıştık. Tabi ki tek bir teknik indikatör her zaman doğru bilgi vermez bu sebeple genellikle birden fazla indikatör birlikte değerlendirilir. İndikatörlerin birçoğu hissenin kapanış, açılış, en düşük, en yüksek ve hacim değerlerini temel alarak hesaplanmaktadır.
RSI Demirci & Raşo tarafından çok sayıda indikatör arasından derin öğrenme yöntemleri ile öznitelik seçimi yapılarak BIST tahminlemede teknik indikatörlerin etkileri modellenmiştir. Çalışmada RSI indikatörü dışında Bollinger Bands, Stochastic Oscillator, Stochastic Oscillator, Simple Moving Average gibi bir çok gösterge değerlendirmeye alınmıştır. Çalışma iki yıldan fazla bir süre için finansal veriler toplanarak yapılmıştır ve BIST 30 için endeks değer tahminleme gerçekleştirilmiştir. Çok sayıda indikatörün birbiri ile korelasyon durumu değerlendirmesi ısı haritası üzerinden gerçekleştirilmiştir (Tablo 1). RSI indikatörü ısı haritasına göre Comodity Channel Index, Moving average convergence divergence, Price Rate of Change ve William_R indikatörleri ile yüksek korelasyona sahiptir.
Sonuçlar incelendiğinde hata oranlarının 0.0332 ortalama kare hatası (mean squared error – MSE) seviyelerinde olduğu görülmektedir.
Taş & Gürsoy BIST-30 ve İslami Katılım Endeks verileri üzerinde bulanık mantık ile yeni bir teknik gösterge üretmeye çalışmışlardır. Çalışmada 2012-2014 yılları arasındaki veriler kullanılmıştır. Günlük kapanış ve açılış fiyatları kullanılarak hesaplanan popüler göstergeler ve RSI indikatörü dışında; Moving-Average-Convergence-Divergence (MACD), Stochastic-Oscillator (SO) ve On-Balance-Volume (OBV) indikatörleri kullanılarak bulanık mantık tabanlı yeni bir gösterge oluşturulmuştur. Önerilen sistem, üç modülden oluşmaktadır: teknik analiz modülü, yaklaşma modülü ve bulanık çıkarım modülü.
- Teknik analizde, göstergeleri hesaplamak için tarihsel veriler kullanılır. Bu çalışmada, 2012’den 2014’e kadar olan dönem için her endeks için fiyatlar kullanılmıştır.
- Kapsama modülü, hesaplanan teknik göstergeleri önceden belirlenmiş kurallar çerçevesinde yeni bir bulanık göstergeye dönüştürür.
- Bulanık Çıkarım Sistemi (BCS) modülü, yeni bulanık göstergeye dayalı yeni bir ticaret sinyali oluşturur.
Bulanık mantık temelli modelin performansı risk getirisi üzerinden aşağıdaki tabloda değerlendirilmiştir.
Ayyıldız & İskenderoğlu RSI göstergesi ile birlikte 9 farklı indikatör kullanmıştır. Bunlar Simple Moving Average (MA), Weighted Moving Average (WMA), Exponential Moving Average (EMA), Momentum (Mom), Stochastic K% (K%), Stochastic D% (D%), Moving Average Convergence/Divergence (MACD), Larry William’s R% (LW), Commodity Channel Index (CCI) göstergeleridir. Her bir gösterge ayrı bir öznitelik olarak Decision Trees (DT), Random Forest (RF), K-Nearest Neighbors (KNN), Naive Bayes (NB), Logistic Regression (LR), Support Vector Machines (SVM) ve Artificial Neural Networks (ANN) makine öğrenmesi algoritmalarına gönderilmiştir. Sonuçlar Tablo 4’te görülmektedir. Dadece doğruluk (accuracy) değerleri incelenmiştir.
Gündüz, Çataltepe & Yaslan tarafından Tablo 5’te görülen tüm teknik indikatörler ilk olarak bir öznitelik seçme aşamasından geçirilerek makine öğrenmesi algoritmaları ile AL/SAT tahminleri yapılmıştır. 2011-2016 yılları arasında BIST verilerinden yaklaşık 1000 veriden oluşan bir örneklem kullanılmıştır.
Hasan, Kalıpsız & Akyokuş tarafından Borsa İstanbul’dan elde edilen BIST 100 endeksi verileri kullanılarak gerçekleştirilen başka bir çalışmada endeks verilerinin günlük, saatlik ve 30 dakikalık periyotlarda analizi gerçekleştirilmiştir. Kullanılan veriler 2008-2016 yılları arasından alınmıştır. Bu veri setleri üzerinde, SVM, Random Forest ve Logistic Regression gibi makine öğrenimi teknikleri kullanılarak tahmin modelleri oluşturulmuştur. Bu modeller, endeks verilerini sınıflandırmak ve BIST 100 endeksinin gelecekteki yönünü tahmin etmek amacıyla değerlendirilmiştir. Bu çalışmada Gündüz, Çataltepe & Yaslan tarafından kullanılan teknik indikatörler kullanılmıştır. Sonuçlarda saatlik verilerle ile en başarılı sonuçlar elde edilmiştir.
Tüfekçi & Abul aynı teknik indikatörleri kullanarak bir AL/SAT karar destek sistemi geliştirmiştir. Bu araştırma bağlamında, 9 adet BIST-100 hisse senedi kullanılmıştır: ADEL, ARCLK, ASELS, EGEEN, FENER, GOLTS, GOODY, THYAO, TTRAK ve BIST100. Veri seti, on yıl (2006-2016) günlük kapanış fiyatlarını içermektedir.
Bu yazıda RSI ile birlikte sık kullanılan teknik indikatörlerin BIST hisse senetleri için tahminlemede bulanık mantık, derin öğrenme ve makina öğrenmesi yöntemleri ile nasıl kullanıldığına değindik. Teknik göstergeler dışında kullanılan çevresel indikatörleri bir sonraki yazımızda derleyeceğiz.
Referanslar
[1] Halil, R. A. Ş. O., & Demirci, M. (2019). Predicting the Turkish stock market bist 30 index using deep learning. International Journal of Engineering Research and Development, 11(1), 253-265.
[2] Taş, O., & Gürsoy, Ö. Z. (2016). A fuzzy logic based technical indicator for BİST 30 index and islamic index. Procedia economics and finance, 38, 203-212.
[3] Ayyıldız, N., & İskenderoğlu, Ö. Prediction Of Stock Index Movement Using Machine Learning Methods: An Application On Bist 100 Index.
[4] Gündüz, H., Çataltepe, Z., & Yaslan, Y. (2017). Stock daily return prediction using expanded features and feature selection. Turkish Journal of Electrical Engineering and Computer Sciences, 25(6), 4829-4840.
[5] HASAN, A., Kalıpsız, O., & Akyokus, S. Application of Machine Learning Techniques for the Prediction of Financial Market Direction on BIST 100 Index. book of, 78.
[6] Tüfekci, Z., & Abul, O. (2020, October). Distinguishing True and False Buy/Sell Triggers from Financial Technical Indicators. In 2020 Innovations in Intelligent Systems and Applications Conference (ASYU) (pp. 1-6). IEEE.