Bayes Ağ Modelleri ile Hisse Senedi Getirilerinin Karşılıklı Dinamik İlişkileri

Abstract

Modern portföy teorisinde, portföyde yer alan menkul kıymetler arasındaki ilişkinin yönünün ve derecesinin riskin azaltılması yönünde etkili olduğu belirtilmektedir (Markowitz, 1952). Teoride, birbirleriyle yüksek korelasyon içinde bulunan menkul kıymetlerin aynı portföyde yer almasından kaçınılmaktadır. Ancak korelasyon katsayısı, iki rassal değişken arasındaki doğrusal ilişkinin yönünü ve gücünü belirtmektedir. Bayes ağlar kullanılarak oluşturulan modeller menkul kıymetler arasındaki olasılıksal ilişkiyi görsel olarak sunabilmekte ve yeni bilgi geldiğinde ağda yer alan menkul kıymet getiri değerleri eşzamanlı olarak güncellenebilmektedir. Çalışmanın amacı, 2011-2016 dönemleri arasında Borsa İstanbul Ulusal-100 (BIST-100) endeksinde kesintisiz faaliyet gösteren hisse senetlerine ait getirilerin birbirleri ile olan ilişkilerini bir makine öğrenmesi olan Bayes ağ modelleri kullanarak araştırmaktır. Çalışmada Bayes ağ modelleri kullanılarak elde edilecek detaylı ilişkiler ile yatırımcıların portföy seçimlerinde kullanabilecekleri nitel ve nicel bilgiler yer almaktadır.

In modern portfolio theory, it is stated that the relationship between the securities in the portfolio is influenced by the direction and degree of risk reduction (Markowitz, 1952). In theory, securities that are highly correlated with each other are avoided from being placed in the same portfolio. However, the correlation coefficient indicates the direction and power of the linear relationship between the two random variables. Models created using Bayesian networks can visually present the probabilistic relationship between securities, and when new information is available, the securities return values in the network can be updated simultaneously. The aim of the study is to investigate the relationships between stocks that have been operating continuously in the Stock Exchange Istanbul National-100 (BIST-100) index between 2011-2016 by using Bayes network models which are machine learning. In the study, detailed relationships to be obtained by using Bayesian network models and qualitative and quantitative information that investors can use in portfolio selection are included.