Dogru ve Yanlis Al Sat Önerilerinin Finansal Teknik İndikatörler ile Ayirt Edilmesi

Abstract

Bu çalışmanın amacı, Doğru ve Yanlış Al / Sat önerilerini ayırt etmek için makine öğrenme yöntemi ile bir karar destek sistemi geliştirmektir. 30/70 Göreceli Güç İndeksi şeması gibi çeşitli öneri şemaları birçok yatırımcı tarafından etkin bir şekilde kullanılmaktadır. Bununla birlikte, bu öneri şemalarından üretilen sinyaller art arda ve çok sık olması dolayısıyla çoğu zaman şüpheli bulunmakta ve bu nedenle eyleme geçilememektedir. Bu çalışmada, fiyat verilerinden faydalanarak optimal bir yatırım modeli çıkarmak için dinamik programlama formülasyonu geliştirilmektedir. Bu optimal yatırım modeli, çeşitli finansal göstergelerle daha sonra çevrimiçi olarak başvurulabilecek ikili sınıflandırma modelini elde etmek için kullanılmaktadır. Dolayısıyla, önerilen sistem yatırımcılara birincil tavsiye veren indikatörlerden kalan belirsizliklerin ortadan kaldırılmasına yardımcı olur. Dinamik programlama formülasyonu, doğrusal zamanda verimli bir şekilde çalışmaktadır. Dinamik Programlama, birincil önericinin AL-SAT önerilerinin içinden daha iyi olanlarının belirlenip, etiketlenmesi aşamasında kullanılmıştır. Bu yaklaşım, deneysel olarak BIST-100, DOW-30 hisse senetleri ve döviz kurları üzerinde değerlendirilmiştir. Tahmin özellikleri olarak kullanılan teknik göstergeler; Göreceli Güç İndeksi, Trend Normalize edilmiş Göreceli Güç İndeksi, Yüzde Fiyat Osilatörü, Bollinger Bant Yüzdesi, Stokastik Osilatör, Fiyat Değişim Oranı ve Emtia Kanal İndeksi'dir. Bu çalışmada, Destek Vektör Makineleri, ikili sınıflandırma modeli olarak kullanılmaktadır. Bir günün sonunda oluşan göstergeleri öznitelik olarak kullanmanın yanı sıra, ardışık iki günün teknik göstergeleri öznitelik olarak kullanılarak daha başarılı sonuc elde edilmiştir. Bu çok zor ikili sınıflandırma görevinde tek günün verileri ile %70 üzerinde, ardışık iki günün verileri ile %73un üzerinde doğruluk elde edilmiştir.

The objective of this study is to develop decision support system applying machine learning methods to distinguish True and False Buy/Sell recommendations. Various recommendation schemes, like 30/70 RSI (Relative Strength Index) scheme, are effectively used by many traders. However, the triggers produced by such recommendation schemes are found suspicious most of the time, and hence are non-actionable. In this study we develop a dynamic programming formulation to extract an optimal trade pattern from the price data sets. Such patterns are further augmented with several financial indicators to obtain binary classification model which is going to be consulted online. So, our system assists investors with removing uncertainties left from the primary recommender. We show that our dynamic programming formulation runs efficiently in linear time. Dynamic Programming is used to identify and label the better ones among the primary BUY and SELL recommendations. The approach is experimentally evaluated on BIST-100, DOW-30 stocks and currency pairs. The technical indicators used as predictor features are RSI, Trend Normalized RSI, Percentage Price Oscillator, Bollinger Band Percentage, Stochastic Oscillator, Rate of change (ROC), and Commodity Channel Index (CCI). We use Support Vector Machines as the binary classification algorithm. In addition to using the indicators formed at the end of each day as an attribute, better results were obtained by using the technical indicators of two consecutive days as attributes. Accuracy over %70 was achieved with data from a single day and over %73 with data from two consecutive days in this very difficult binary classification task.