Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, cilt.34, sa.1, ss.77-97, 2020 (Hakemli Dergi)
Türkiye gibi gelişmekte olan ekonomilerde hisse senedi getirilerinin tahmin edilmesi,
finans çalışmalarında önemli araştırma konuları içerisinde bulunmaktadır. Ayrıca hisse senedi
getirilerinin tahmin edilmesi yatırımcılar açısından da önemlidir. Bu çalışmada hisse senedi
getirilerinin yatırımcı duyarlılığı aracılığı ile tahmin edilmesi amaçlanmaktadır. Çalışmanın teorik
kısmında ayrıntılı bir literatür çalışması yapılmıştır. Uygulama kısmında ise, tahmin için geliştirilen
modellerde bağımsız değişken olarak yatırımcı duyarlılığını temsil eden Tüketici Güven Endeksi ve
alt endeksleri kullanılmıştır. Bu kapsamda 5 değişkenle kurulan toplam 5 model kullanılarak destek
vektör makineleri yöntemleri ile analiz yapılmıştır. Analizi yapılan tüm modellerde, 2007- 2018
yılları arasındaki aylık verilerden yararlanılmıştır. Değişkenlere ait toplanan 144 aylık verinin %70’
lik kısmı eğitim verisi olarak, %30’ luk kısmı ise matematiksel modellerin tahmin başarısını ölçmek
için kullanılmıştır. Elde edilen bulgularda, destek vektör makinesi yöntemi ile yapılan tahminlerin
başarılı sonuçlar verdiği görülmüştür.
Estimating the returns of stocks in emerging economies such as Turkey is important
research subjects in the finance studies. Estimates of stock returns are also important for investors. In
this study, it is aimed to estimate stock returns through investor sentiment. Detailed literature study
was conducted in the theoretical part of the study. In the application part, Consumer Confidence
Index and sub-indices representing investor sentiment are used as independent variables in the
models developed for estimation. In this context, totally 5 models with 5 variables were analyzed
using support vector machines. Monthly data between 2007 and 2018 were used for all models
analyzed. 70% of the 144 monthly data of the variables were used as educational data and 30% of them were used to measure the prediction success of mathematical models. In the obtained results, it
was seen that the estimations made by using indirect variables with the support vector machine
method gave more successful results.