Veri madenciliğine dayalı akıllı fon portföy optimizasyon sistemi
Abstract
Portföy optimizasyonu kavramı günümüzde oldukça yaygın bir şekilde kullanılmaktadır. Minimum risk, maksimum getiri mantığı ile optimal potföyler farklı modeller ile oluşturulmaktadır. Ancak gelişen teknoloji ve hızlı ilerleyen bilim çağında klasik optimizasyon modelleri geride kalmaya başlamışlardır.
Çok fazla veri yüklü ile uğraşan ve bu yüzden oldukça vakit kaybeden finansal analizciler, veri madenciliği yöntemleri ile optimizasyonları daha hızlı ve güvenilir bir şekilde yapmaya başlamışlardır. Bu sayede finansal analizciler ihtiyaçları olmayan veriler ile çalışmak yerine, sadece optimazyon için gerekli verilerle, daha kısa bir sürede analizlerini gerçekleştirebilmektedirler.
Bu tezde kullanılan yatırım fon portföy günlük getiri değerleri, veri madenciliği tekniklerinden kümeleme analizi ve yapay sinir ağları modeli ile tahmin edilmiş, oluşturulan modelin getiri ve riski test edilmiştir. Amaç; tasarlanan modelin, mevcut fon portföy sepetinden daha yüksek getirili ve daha düşük riskli portföyler oluşturmaktadır. Modelin testi sonucunda oluşturulan fon portföylerinin başarılı olduğu, yani fon portföy getirisinin daha yüksek, riskinin ise daha düşük olduğu sonucuna varılmıştır. Bu çalışmada sadece bu dönem için bir model değil gelecekteki veriler ile de akıllı bir model oluşturmak amaçlandığı için ve gelecekteki verilerin durumunu bilinmediği için yapay sinir ağları modeli tercih edilmiştir. Yapay sinir ağları ile oluşturulan portföylerin getirilerinin daha yüksek, risklerinin ise daha düşük olduğu saptanmıştır.
Tezin son kısmında oluşturulan modelin akış şeması çizilerek, model akıllı bir sistem haline getirilmiştir. Bu sayede güncel veriler ve teknikler ile sistem kendi kendini güncelleyebilecektir. Sistem ve akış şeması, modelin farkı veriler ile otomasyona dayalı olarak çalışmasına da izin vermektedir. Oluşturulan optimal modelin, hem literatüre hem de uygulamcılara önemli ölçüde katkısı olması beklenmektedir.
Potfolio optimization concept is very popular in Daily use. With minimum risk-maximum return approach, optimal portfolios were established different models. However, in advancing techonolgy and fast developing scientific age basic optimization models are outdated.
Financial analysist’s, whom are wasting quite time because of dealing with very large data sets, with the help of data mining concept started to complete optimizations faster and in safer way. By this means financial analysists instead of wasting time with worthless data sets, they can complete their analysis in a very short period.
In these thesis, mutual funds portfolio data sets are optimized and tested with clustering method one of the data mining techniques and artificial neural network analysis. The aim of this thesis; the designed model is to create portfolios with higher return and lower risk than the existing portfolio of funds. As a result of the model test, it was concluded that the fund portfolios generated were successful, that is, the fund portfolio yeild was higher and the risk was lower. The artificial neural network model was chosen for this study because not only the state of future data, ıt has been determined that the returns of the portfolios created with artificial neural networks are higher and their risks are lower.
In the final part of the thesis the model is turned into smart system with drawing models workflow chart. With up-to-date dates and models, it can update itself. The system and flow chart are also allow for the operation to be based on automation with different datas. This optimal model which is created in this thesis will have importance for users (financial analysists, individual investers, institutorial investors) and literature.