Yıl: 2018 Cilt: 21 Sayı: 40 Sayfa Aralığı: 401 - 436 Metin Dili: Türkçe DOI: 10.31795/baunsobed.492464 İndeks Tarihi: 19-08-2019

WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ

Öz:
Bu çalışmada hisse senetlerinin sınıflandırılmasında kullanılan bir veri madenciliğiyaklaşımı sunulmuştur. Hisse senetleri sınıflandırıldıktan sonra portföyde yer alacak hissesenetleri oluşan gruplar içerisinden seçilebilecektir. Bu çalışma, üç farklı kümeleme analiziyöntemi kullanılarak Borsa İstanbul’da işlem gören hisse senetlerinden etkin bir portföyoluşturulmasını amaçlamaktadır. Çalışmanın bir başka amacı ise hisse senetlerinden etkinbir portföy oluşturmada kümeleme analizi yöntemlerinin kullanılabilirliğinin sınanmasıdır.Bu amaçlarla hiyerarşik kümeleme yöntemlerinden Ward yöntemi, hiyerarşik olmayankümeleme yöntemlerinden K-Ortalamalar yöntemi ve iki adımlı kümeleme yöntemlerikullanılarak toplam 69 adet hisse senedi kümelenmiştir. Kümeleme analizinde kullanılanfinansal göstergeler şirketlerin finansal tablolarından ve hisse senedi fiyat hareketlerindenelde edilmiştir. Çalışma sonucunda her üç yönteme göre oluşan kümeler genel itibariylebenzer şekillenmiştir. Kümeler, finansal gösterge ortalamaları ve hisse senedi sayıları temelalınarak değerlendirilmiş ve tercih edilebilecek kümeler belirtilmiştir.
Anahtar Kelime:

The Stock Selection with Ward, K-Means and Two-Steps Clustering Analysis Methods Based on the Financial Indicators

Öz:
In this study, a data mining approach for classification of stocks into clusters is presented. After classification, the stocks could be selected from these groups for building a portfolio. This study aims to create an effective portfolio from stocks traded in Stock Exchange Istanbul using three different clustering analysis methods. Another purpose of the study is to test the availability of clustering analysis methods to create an efficient portfolio of stocks. For these purposes, a total of 69 stocks were clustered by using Ward method as a hierarchical clustering method, K-Means method as a non-hierarchical clustering method, and two-step clustering (hybrid) method. The financial indicators that used in this study were obtained from financial statements and stock price movements of companies. As a result of the study, clusters formed according to all three methods are generally similar. The clusters are evaluated based on the average of the financial indicators and the number of shares, and the preferable clusters are indicated.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
7
7
7
  • Ada, A. A. (2015). Kümeleme Analizi İle AB Ülkeleri ve Türkiye’nin Sürdürülebilir Kalkınma Açısından Değerlendirilmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (29).
  • Aktaş, R. ve Doğanay, M. M. (2007). Grouping Emerging Stock Markets Based on Market Data, BDDK Bankacılık ve Finansal Piyasalar, 1(2).
  • Aldenderfer, M. S. ve Blashfield, R. K. (1984). Quantitative Applications in the Social Sciences: Cluster analysis Thousand Oaks, CA: SAGE Publications Ltd doi: 10.4135/9781412983648
  • Arnott, R. D. (1980). Cluster analysis and stock price comovement. Financial Analysts Journal, 36 (6), 56-62.
  • Atan, M. (2005). Karesel Programlama ile Portföy Optimizasyonu. VII. Ulusal Ekonometri ve İstatistik Sempozyumu, Mayıs, 26-27.
  • Aydoğan, K. ve Güney, A. (1997). Hisse senedi fiyatlarının tahmininde F/K oranı ve temettü verimi. İMKB Dergisi, 1(1), 83-96.
  • Basalto, N., Bellotti, R., De Carlo, F., Facchi, P. ve Pascazio, S. (2005). Clustering stock market companies via chaotic map synchronization. Physica A: Statistical Mechanics and its Applications, 345(1-2), 196-206.
  • Cattell, R. (1944). A note on correlation clusters and cluster search methods. Psychometrika, 9(3), 169-184.
  • Ceylan, Z., Gürsev, S. ve Bulkan, S. (2017). İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi. Bilişim Teknolojileri Dergisi, 10(4), 475-485.
  • Cornish, R. (2007). Statistics: 3.1 Cluster Analysis, 02.03.2016 tarihinde http:// statstutor.ac.uk/resources/uploaded/clusteranalysis.pdf adresinden erişildi.
  • Çakmak, Z. (1999). Kümeleme Analizinde Geçerlilik Problemi Ve Kümeleme Sonuçlarinin Değerlendirmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 3(3), 187-205.
  • Da Costa Jr, N., Cunha, J., ve Da Silva, S. (2005). Stock selection based on cluster analysis. Economics Bulletin, 13(1), 1-9.
  • Dehuan, J. ve Jin, Z. (2008). Firm Performance and Stock Returns: An Empirical Study of the Top Performing Stocks Listed on Shanghai Stock Exchange. Academy of Accounting and Financial Studies Journal, 12(1), 79.
  • Demir, A. (2001). Hisse Senedi Fiyatını Etkileyen İşletme Düzeyindeki Faktörler ve Mali Sektör Üzerine İMKB’de Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 6(2).
  • Demirtaş, Ö. ve Güngör, Z. (2004). Portföy yönetimi ve portföy seçimine yönelik uygulama. Journal of Aeronautics and Space Technologies, 1(4), 103-109.
  • Doherty, K.A.J., Adams, R.G., Davey, N. ve Pensuwon, W. (2005). Hierarchical Topological Cluster Learns Stock Market Sectors, ICSC Congress on Computational Intelligence Methods and Applications, Istanbul. http:// dx.doi.org/10.1109/CIMA.2005.1662299
  • Donaldson, L. ve Davis, J. H. (1991). Stewardship theory or agency theory: CEO governance and shareholder returns. Australian Journal of management, 16(1), 49-64.
  • Ege, İ. ve Bayrakdaroğlu, A. (2012). İMKB Şirketlerinin Hisse Senedi Getiri Başarılarının Lojistik Regresyon Tekniği İle Analizi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 5(10), 139-158.
  • Ferreira, L. ve Hitchcock, D. B. (2009). A comparison of hierarchical methods for cluster functional data. Communications in Statistics-Simulation and Computation, 38(9), 1925-1949.
  • Fodor, A., Jorgensen, R., ve Stowe, J. (2015), 04 Nisan 2016 tarihinde http:// swfa2015.uno.edu/B_Portfolio_Analysis_Optimization/paper_77.pdf adresinden erişilmiştir.
  • Gan, G., Ma, C. ve Wu, J. (2007). Data Cluster Theory, Algorithms And Applications (Asa-Sıam Series On Statistics And Applied Probability), Canada:SIAM Society for Industrial and Applied Mathematics Publishing
  • Gore, P. A. (2000). Cluster Analysis, In book: Handbook of Applied Multivariate Statistics and Mathematical Modeling, 297-321.
  • Gökçe, A. G. ve Cura, T.(2003), İMKB Hisse Senedi Piyasalarında İyi Çeşitlendirilmiş Portföy Büyüklüğünün Araştırılması . İstanbul Üniversitesi, İşletme Fakültesi, İşletme İktisadı Enstitüsü Dergisi, Yönetim, 44(1):63-81.
  • Hajizadeh, E., Ardakani, H. D., ve Shahrabi, J. (2010). Application of data mining techniques in stock markets: A survey. Journal of Economics and International Finance, 2(7), 109.
  • Halkidi, M., Batistakis,Y. ve Vazirgiannis, M. (2001). Clustering algorithms and validity measures, Scientific and Statistical Database Management( SSDBM) Conference, Virginia, USA , 3-22.
  • Han, J., Pei, J. ve Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
  • Hands, S, Everitt, B (1987). A Monte Carlo study of the recovery of cluster structure in binary data by hierarchical cluster techniques. Multivar. Behav. Res. 22, 235-243.
  • Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666.
  • Kanungo, T., Netanyahu, N. S. ve Wu, A. Y. (2002). An Efficient k -Means Clustering Algorithm: Analysis and Implementation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7 ).
  • Karabayır, M. E. ve Doğanay, M. (2010). Kümeleme Analizi İle Portföy Seçimi: İMKB-100 Endeksi Üzerine Bir Çalışma. Journal of Commerce, (2), 161.
  • Korkmaz, Ö. ve Karaca, S. S. (2013). Şirket Performansini Etkileyen Faktörler ve Türkiye Örnegi/The Factors Affecting Firm Performance: The Case of Turkey. Ege Akademik Bakis, 13(2), 169.
  • Küçükkocaoğlu, G. (2002). Optimal Portföyün Seçimi ve İMKB Ulusal-30 Endeksi Üzerine Bir Uygulama. Active-Bankacılık ve Finans Dergisi, 26, 74-91.
  • Liu, R., Cai, H. ve Luo, C. (2012). Cluster Analysis of Stocks of CSI 300 Index Based on Manifold Learning. Journal of Intelligent Learning Systems and Applications, 4, 120-126.
  • Mazıbaş, M. (2005). İMKB Piyasalarındaki volatilitenin modellenmesi ve öngörülmesi: Asimetrik GARCH modelleri ile bir uygulama. VII. Ekonometri ve İstatistik Sempozyumu, İstanbul Üniversitesi İktisat Fakültesi Ekonometri Bölümü, İstanbul, Çevrimiçi, 28, 2008.
  • MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1(14), 281-297
  • Milligan, G. W. ve Cooper, M. C. (1987). Methodology review: Clustering methods. Applied psychological measurement, 11(4), 329-354.
  • Murtagh, F. ve Legendre, P. (2014). Ward’s hierarchical agglomerative cluster method: Which algorithms implement ward’s criterion?. Journal of Classification, 31(3), 274-295.
  • Nakip, M. (2006), Pazarlama Araştırmaları: Teknikler ve (SPSS Destekli) Uygulamalar, Ankara: Seçkin Yayıncılık.
  • Nanda, S.R. Mahanty, B. ve Tiwari, M.K. (2010). Cluster Indian stock market data for portfolio management. Expert Systems with Applications, 37 (12), 8793–8798.
  • Omran, M. ve Ragab, A. (2004). Linear versus non-linear relationships between financial ratios and stock returns: empirical evidence from Egyptian firms. Review of Accounting and finance, 3(2), 84-102.
  • Özdamar, K. (2010), Paket Programlar ile İstatistiksel Veri Analizi: Çok Değişkenli Analizler. Eskişehir: Kaan Kitabevi.
  • Pakhira, M. K., Bandyopadhyay, S., and Maulik, U. 2004. Validity index for crisp and fuzzy clusters, Pattern recognit. Lett, 37( 3), 487–501
  • Shih, M. Y., Jheng, J. W., ve Lai, L. F. (2010). A two-step method for clustering mixed categroical and numeric data., 13(1), 11-19.
  • Siqueira, E., Otuki, T. ve Da Costa, N. (2012). Stock Return and Fundamental Variables: A Discriminant Analysis Approach. Applied Mathematical Sciences, 6(115), 5719-5733.
  • Sokal, R. R. ve Michener, C. D. (1958). A statistical method for evaluating systematic relationships. University of Kansas science bulletin, 28, 1409- 1438.
  • Statman, M. (1987). How many stocks make a diversified portfolio? Journal of financial and quantitative analysis, 22(3), 353-363.
  • Şchiopu, D. (2010). Applying TwoStep cluster analysis for identifying bank customers’ profile. Buletinul, 62, 66-75.
  • Tatlıdil, H.(2002). Uygulamalı Çok Değişkenli İstatistiksel Analiz, Ankara, Akademi Matbaası.
  • Tekin, B. (2015). Temel Sağlık Göstergeleri Açısından Türkiye’deki İllerin Gruplandırılması: Bir Kümeleme Analizi Uygulaması. Çankırı Karatekin Üniversitesi İİBF Dergisi, 5(2), 389-416.
  • Tekin, B. ve Gumus, F., B. (2017), The Classification of Stocks with Basic Financial Indicators: An Application ofCluster Analysis on the BIST 100 Index, International Journal of Academic Research in Business and Social Sciences, 7 (5)
  • Tola, V., Lillo, F., Gallegati, M., ve Mantegna, R. N. (2008). Cluster analysis for portfolio optimization. Journal of Economic Dynamics and Control, 32(1), 235-258.
  • Tyron, R. C. (1939), Cluster Analysis. Ann Arbor, Edwards Brothers.
  • Umar M. S. ve Musa T. S. (2013), Stock Prices and Firm Earning per Share in Nigeria. JORIND 11(2). 16 Nisan 2015 tarihinde http://transcampus.org/ JORINDV11Dec2013/Jorind%20Vol11%20No2%20Dec%20Chapter22. pdf. Adresinden erişilmiştir.
  • Ünlü, U., Bayrakdaroğlu, A. ve Ege, İ. (2009). Hisse Senedi Endeks Getirileri ve Temettü Verimi: İMKB 100 ve S&P 500 Endeksleri Üzerine Bir Uygulama. Gazi University Journal of Economics & Administrative Sciences, 11(1).
  • Wagstaff, K., Cardie, C., Rogers, S., ve Schrödl, S. (2001). Constrained k-means clustering with background knowledge. In ICML, 1, 577-584.
  • Wicaksono, Y. A., Rizaldy, A., Fahriah, S., ve Soeleman, M. A. (2017). Improve image segmentation based on closed form matting using K-means clustering. In Application for Technology of Information and Communication (iSemantic), 2017 International Seminar on ( 26-30). IEEE.
  • Wu, K. L. ve Yang, M. S. (2002). Alternative c-means clustering algorithms. Pattern recognition, 35(10), 2267-2278.
  • Xu, Z.-C., Liang, Y.-C. ve Shi, X.-H. (2008). Analysis Method of SOM-Based of Stock Cluster, Computer Engineering and Design, 29 (9), 2426-2428.
  • Yu, L.-A. ve Wang, S.-Y. (2009). Kernel Principal Component Cluster Methodology for Stock Categorization, System Engineering: Theory & Practice, 29 (12).
  • Zhou, Z.-H., Chen, W.-N. ve Zhang, Z.-Y. (2002). Application of Cluster Analysis in Stock Investment, Journal of Chongqing University, 25 (7), 122-126.
APA TEKIN B (2018). WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. , 401 - 436. 10.31795/baunsobed.492464
Chicago TEKIN BILGEHAN WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. (2018): 401 - 436. 10.31795/baunsobed.492464
MLA TEKIN BILGEHAN WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. , 2018, ss.401 - 436. 10.31795/baunsobed.492464
AMA TEKIN B WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. . 2018; 401 - 436. 10.31795/baunsobed.492464
Vancouver TEKIN B WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. . 2018; 401 - 436. 10.31795/baunsobed.492464
IEEE TEKIN B "WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ." , ss.401 - 436, 2018. 10.31795/baunsobed.492464
ISNAD TEKIN, BILGEHAN. "WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ". (2018), 401-436. https://doi.org/10.31795/baunsobed.492464
APA TEKIN B (2018). WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(40), 401 - 436. 10.31795/baunsobed.492464
Chicago TEKIN BILGEHAN WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 21, no.40 (2018): 401 - 436. 10.31795/baunsobed.492464
MLA TEKIN BILGEHAN WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, vol.21, no.40, 2018, ss.401 - 436. 10.31795/baunsobed.492464
AMA TEKIN B WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 2018; 21(40): 401 - 436. 10.31795/baunsobed.492464
Vancouver TEKIN B WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 2018; 21(40): 401 - 436. 10.31795/baunsobed.492464
IEEE TEKIN B "WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ." Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21, ss.401 - 436, 2018. 10.31795/baunsobed.492464
ISNAD TEKIN, BILGEHAN. "WARD, K-ORTALAMALAR VE İKİ ADIMLI KÜMELEME ANALİZİ YÖNTEMLERİ İLE FİNANSAL GÖSTERGELER TEMELİNDE HİSSE SENEDİ TERCİHİ". Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 21/40 (2018), 401-436. https://doi.org/10.31795/baunsobed.492464