Yapay sinir ağları ile portföy optimizasyonu

Abstract

Yapay zeka tekniklerinden biri olan yapay sinir ağları (YSA), finansal piyasalarda son yıllarda öngörü (tahmin) ve optimizasyon problemlerinde sıkça kullanılmaktadır. YSA, özellikle doğrusal olmayan sistemlerde, öngörüsel açıdan istatistiksel tekniklere göre daha çok kolaylık sağlayan özelliklere sahiptir. Bu tezde, İMKB-Ulusal Sınai Endeksinde yer alan 140 hisse senedinin 2010 yılına ait aylık ortalama getirileri kullanılarak risk-getiri tahmini ve portföy optimizasyonu amaçlanmıştır. Bu amaç için, belirtilen hisse senetleri ile aktif büyüklük, piyasa değeri, işlem hacmi ve özsermaye niceliklerine göre eşit ağırlıklı portföyler oluşturulmuş ve bu portföylerin risk-getirileri hesaplanmıştır. Bu değerler kullanılarak yapay sinir ağı eğitilmiş ve eğitilen bu ağ ile de test işlemi gerçekleştirilmiştir. Test sonucunda getiri ve risk bazında en iyi sonuç özsermayeye göre oluşturulan portföylerde elde edilmiştir. Ayrıca YSA ile getiri tahmininin %1'in altında hata oranı ile gerçekleştiği, risk tahmininde ise hata miktarının binde 5'in altında olduğu gözlenmiştir. Bununla beraber aktif büyüklüğü, piyasa değeri ve özsermayesi en yüksek olan hisse senetleriyle oluşturulan portföylerin getirileri diğer portföylere göre daha yüksek olmamasına rağmen risk seviyeleri diğer portföy risklerine nazaran minimum seviyededir. Fakat işlem hacmi en yüksek olan hisse senetleriyle oluşturulan portföyün getiri ve riskinin maksimum düzeyde olduğu gözlenmiştir. Uygulamanın optimizasyon kısmında, bahsi geçen 140 şirketin risk ve getirileri kullanılarak eşit ağırlıklı 50 tane portföy oluşturulmuştur. Maksimum getiriye sahip portföyün getirisi olan %7.5916 değeri için YSA 0.0567 hata oranı ile %7.1590 değerini bulmuştur. Ayrıca oluşturulan 50 portföy arasında minimum riske sahip olan portföyün riski (standart sapması) ise 0.0019 dur. Bu değer YSA'da 0.0005 hata farkıyla 0.0024 olarak tahmin edilmiştir.

Artificial neural networks (ANN), which is one of the artificial intelligence techniques, is frequently used in financial markets forecasting (estimation) and optimization problems in recent years. Especially in non-linear systems, terms of predictive, ANN has properties which provide more convenience than statistical techniques. In this thesis, using the monthly average returns for the year 2010 of 140 stocks contained in ISE-National Industrial Index, risk-return forecasting and portfolio optimization were aimed. For this purpose, using these stocks, equal-weighted portfolios were formed according to companies' active sizes, market capitalizations, trading volumes and equities. Meanwhile risks and returns of these portfolios were calculated. An artificial neural network was trained using the founded values and testing process was realized with this network was trained. According to test results, the best results on the basis of return and risk were obtained in portfolios which generated from equity. In addition, the error rate of ANN's return prediction was realized approximately 1 percent, the amount of error of risk estimate was observed as less than 5 per thousand. Besides, although returns of portfolios, which are generated from stocks whose active sizes, market values and equities are the highest, are not higher level than the other portfolios, their risk levels are minimum level compared to other portfolios' risk levels. However, it was observed that return and risk of portfolios, which are generated from stocks whose trading volume is the highest, are maximum level. In optimization part of the application, using the return and risk of mentioned 140 companies were created equal-weighted 50 portfolios. ANN found that the return of portfolio which has the maximum return (7.5916%) as 7.1590% with rate of error 0.0567. In addition, the risk (standart deviation) of the portfolio that has minimum risk in mentioned 50 portfolios is 0.0019. This value was estimated to be 0.0024 with 0.0005 amount of error.