İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI

Transkript

1 İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ PROGRAMI ORACLE DATA MINER İLE BORSA ALANINDA TEKNİK ANALİZDE KULLANILAN GÖSTERGELER (INDICATORS) ÜZERİNE BİR VERİ MADENCİLİĞİ UYGULAMASI BİTİRME ÖDEVİ Tolga KAPAN Brgül AYAZ Tez Danışmanı: Yar. Doç. Dr. Ahmet KIRIŞ MAYIS 2012

2 ÖNSÖZ Bu çalışmayı hazırlamamızda bze yol gösteren, bzden yardımını ve desteğn hçbr zaman esrgemeyen Sayın Hocamız Yrd. Doç. Dr. Ahmet KIRIŞ a, geçmş yılların hsse sened fyat verlerne ulaşmamızda bze yardımcı olan FOREX şrket çalışanlarına, arkadaşlarımıza ve hayatımız boyunca bze sevg, güven ve her türlü desteğ veren alelermze en çten teşekkürlermz sunarız. Mayıs, 2012 Tolga KAPAN Brgül AYAZ MAYIS 2012

3 İÇİNDEKİLER Sayfa Error! No table of contents entres found.

4 ÖZET Borsada alım-satım kararı verlrken dkkate alınan teknk analz uygulamalarından göstergelern (ndcators), kar elde etmek çn alım ya da satım durumu le lşks üzerne br ver madenclğ uygulaması yapılmıştır. Bu uygulamada göstergeler yardımı le alım ya da satım kararlarının önceden tahmn edlmes ve daha kullanışlı br gösterge oluşturulması amaçlanmaktadır. Alım satım kararları önceden tahmn edlerek veya daha kullanışlı br gösterge oluşturularak kar elde edleblr veya zarar en aza ndrgeneblr. Bu amaçla FOREX şrketnden geçmş yıllara at hsse sened verler alınmış, bu verler düzenlenerek Excel dosyası oluşturulmuştur. Bu Excel dosyasındak verlerle göstergelern formüller oluşturularak gösterge değerler elde edlmştr. Gösterge değerler le hsse senetler fyatlarının günlük kapanış değerler kullanılarak tablolar oluşturulmuş ve hsse senetler alınmalı, satılmalı ya da şlem yapılmamalı olarak sınıflandırılıp problem ver madenclğ sınıflandırma modelne uygun hale getrlmştr. Bu problem çözmek çn sınıflandırma modelnn algortmalarından olan Navé Bayes ve Karar Ağaçları (Decson Tree) yöntemler kullanılmıştır. Ver madenclğ uygulamasını gerçekleştrmek çn Oracle vertabanının 11g sürümü ve üzerne Oracle Data Mner paket programı yüklenmştr. Daha sonra oluşturulan tablolar vertabanına aktarılmış ve gerekl modeller oluşturulmuştur. Bu modeller yardımıyla tahmnler elde edlmş ve sonuçlar yorumlanmıştır. 1

5 1. GİRİŞ Gelşen teknoloj ve tüm Dünya ülkelernde blgsayarın yaygın kullanılması elektronk ortamda saklanan ver mktarında büyük br artış meydana getrmştr. Blg mktarının her 20 ayda br k katına çıkması vertabanı sayısında hızlı br artışa neden olmaktadır. Brçok farklı blm dallarından toplanan verler, hava tahmn smülasyonu, sanay faalyet testler, süpermarket alışverş, banka kartları kullanımı, telefon aramaları gb verler, daha büyük vertabanlarında kayıt altına alınmaktadır. Ver tabanında kayıt altına alınan bu verlern tahmn edlemeyecek boyutta faydaları vardır. Bu verlerden elde edlecek blgler doğrultusunda fnansal alanda gelecek çn stratejler belrleneblr. Ver madenclğ uygulaması fnansal alanda kullanılarak, hsse sened alım satımında göz önünde bulundurulan göstergelern geçmş yılların hsse sened fyatlarına göre verdğ kararlar ve vermes gereken kararlar karşılaştırılmış ve model oluşturulmuştur. Bu model le hsse sened alım satım kararları test verler üzernden tahmn edlmeye çalışılmıştır. Btrme projes kapsamında da hsse senetlernn alım satım kararları değerlendrlrken kullanılan göstergeler le stratejler gelştrlmes ve yen göstergeler elde edlmes amaçlanmıştır. Alım-satım kararı verlrken göstergelern nasıl elde edldğ ve ver madenclğ uygulamasına neden gereksnm duyulduğu br süreç dâhlnde aşağıda fade edlmektedr. 2

6 2. GÖSTERGELER (INDICATORS) Teknk analz yapılırken göstergelern verdğ alım-satım snyaller göz önünde bulundurulmaktadır. Karar verme aşamasında kararların bu durumlarla uyum çnde olması önemldr. Oracle Data Mner le göstergelern geçmşte verdğ alım-satım kararlarının gerçek zamanlı sonuçlarla uyumluluğu değerlendrlp gelecekte verlecek kararların tahmn edlmes amaçlanmıştır. Hsse sened alım-satım kararı vermek çn öneml uygulamalardan brs teknk analzdr. Teknk analz yaparken, trendler belrlemek ve oluşumlarını çözümlemek zordur. Ayrıca bu tesptler yaparken, objektf olmak ve trend dönüşümlernn süresn ve büyüklüğünü tespt etmek güçtür. Bu güçlüğü aşmak, trend değşmlern oluştukları sırada belrlemek amacıyla fyat ve şlem hacm verler esas alınarak çeştl hesaplamalar yapılmaktadır. Grafk örneklere yardımcı olmak amacıyla fyat ve şlem hacm verlernden türetlen bu kurallara göstergeler adı verlmektedr. Btrme projes kapsamında alım-satım kararlarında kullanılan göstergeler ve açıklamaları aşağıdak gbdr. 2.1 Toplama- Dağıtım Endeks (Accumulaton- Dstrbuton Index, ADI) Toplama- Dağıtım Endeks şlem hacm ve fyatlardak hareketler brleştrerek fyatların trendnn sürüp sürmeyeceğ konusunda fkr veren br göstergedr. Her günkü şlem hacmnn bell br oranı br öncek günün kümülatf toplamına eklenr veya çıkarılır. Formülü aşağıdak gbdr: ADI C LH C H L V (2.1) 1 burada, C= Kapanış fyatı, (Close) H= Günün en yüksek fyatı, (Hgh) 3

7 L= Günün en düşük fyatı, (Low) V= İşlem hacm, (Volume) ADI= Accumulaton- Dstrbuton Index olarak verlmektedr. Buradak kısaltmalar, (C,H,L,V) çalışmanın ger kalan bölümlernde de aynı fadeler tanımlamaktadır. Eğer kapanış günün en yüksek fyatına yakınsa günlük şlem hacmnn hesaplanan oranı kadar br mktar br öncek günün ADI değerne eklenr. Kapanış günün en düşük fyatına daha yakınsa şlem hacmnn hesaplanan oranı kadar br mktar br öncek günün ADI değernden çıkartılır. Gösterge br dp yapıp yukarı dönerek yükselşe başlarsa alım, tepe yaptıktan sonra düşmeye başlarsa satım kararı verlr. 2.2 Mal Kanal Endeks (Commodty Channel Index, CCI) Mal Kanal Endeks(CCI)senet fyatının kend statstksel ortalamasından aşağı veya yukarı ne kadar saptığını gösterr le 100 lmt değerlerdr ün üzerne çıkması senedn aşırı alım sevyesnde olduğu,-100 ünaltında olması se aşırı satım bölgesnde olduğunu gösterr. Mal Kanal Endeks, Donald R.Lambert tarafından gelştrlen br fyat momentum göstergesdr. Pyasa trendnn başlangıç ve btşn bulmak çn dzayn edlmştr. Formülü aşağıdak gbdr: A B H L C , CCI D H L C 14 A B A B D (2.2) Burada CCI= Mal Kanal Endeksdr. Bu endeks 100 sevyesnn altından üstüne çıkıldığında alım, +100 sevyesnn üstünden altına düşüldüğünde satım yapılmalıdır. 2.3 Hareketl Ortalamaların Brleşmes-Ayrılması Gösterges(Movng Average Convergence Dvergence, MACD) 4

8 MACD (kesksz çzg) gösterges Tetk Çzgsn(keskl çzg) aşağıdan yukarı doğru kestğnde alım, yukarıdan aşağı doğru kestğnde satım sayesnde karar vermey kolaylaştırır. 12 günlük üssel hareketl ortalamadan 26 günlük üssel hareketl ortalama çıkartılınca MACD bulunur. Bu MACD formülünün ayrıca 9 günlük üssel hareketl ortalaması keskl çzglerle çzdrlr ve bu keskl çzgye tetk çzgs(trgger) adı verlr. MACD gösterges tetk çzgsn aşağıdan yukarı Kestğ zaman alım, yukarıdan aşağı kestğ zamanda satım kararı verlr. A C 1 A, n12 1 B C 1 B, n26 1 MACD A B T MACD 1 T, n9 1 2 n 1 (2.3) Burada n = Üssel hareketl ortalama çn seçlen gün sayısı MACD= Hareketl Ortalamaların Brleşmes-Ayrılması Gösterges T= Tetk Çzgs (trgger) MACD (kesksz çzg) gösterges olarak alınmıştır. Tetk Çzgsn(keskl çzg) aşağıdan yukarı doğru kestğnde alım, yukarıdan aşağı doğru kestğnde satım yapılır. 2.4 Aroon Oslatörü ( Aroon Oscllator ) Aroon Oslatörü, Tushar Chande tarafından gelştrlmştr. Aroon, şafağın lk ışıkları anlamına gelen Sanskrtçe br kelmedr. Trend yapan pyasadan yatay pyasaya geçşte, senet fyatındak değşmler önceden anlamaya olanak verr. Gösterge k göstergeden oluşmaktadır. İlk, belrlenen peryottak en yakın en yüksek fyatın görülmesnden bu yana geçen peryot sayısını gösteren Yukarı Aroon (Aroon Up) gösterges; kncs se, belrlenen peryottak en yakın en düşük fyatın görülmesnden bu yana geçen peryot sayısını gösteren Aşağı Aroon (Aroon Down) göstergesdr. Aroon Oscllator ü se Aroon Up ve Aroon Down göstergelernn 5

9 arasında fark olarak tanımlanablecek tek br çzg şeklndedr. Aroon Up ve Aroon Down göstergeler 0 le +100 arasında dalgalanırken, Aroon Oscllator ü -100 le +100 arasında dalgalanmaktadır. AroonUp n max 100 n mn L AroonDown 100 n AroonOsc AroonUp AroonDown n H Burada, n=hesaplama çn seçlen gün sayısı max mn H L = En yüksek günç yüksek değern gerçekleştğ günden bugüne süre (2.4) =En düşük günç düşük değern gerçekleştğ günden bugüne geçen süre olarak alınmıştır. Aroon Up ve Aroon Down çzgler, üst üste beraber hareket edyorlarsa, yatay pyasaya şarettr. Aroon Up çzgs, Aroon Down çzgsn aşağıdan yukarı aşarak kestğnde alım ve yukardan aşağı kestğnde satım snyal vermektedr. 2.5 Fyat Oslatörü ( Prce Oscllator, PO ) Fyat Oslatörü (Prce Oscllator), hsse sened fyatının k hareketl ortalaması arasındak farkı gösterr. Hareketl ortalamalar arasındak fark rakamsal veya yüzdesel olarak belrtleblr. Fyat oslatörü hesaplanırken çeştl hareketl ortalamalar kullanılablr. Formülü aşağıdak gbdr: KHVO POSC İ İ n C 1 1 UVHO n KHVOİ UVHO UVHO n n C İ 100 (2.5) Burada POSC=Fyat Oslatörü dür. Fyat Oslatörü göstergesnn 0 sevyesnn üzerne çıkması alım, altına düşmes satım snyal olarak kullanılablr. 6

10 2.6 Bollnger Bantları (Bollnger Bands) John Bollnger tarafından gelştrlmştr. Fyatlar bu bandın çnde hareket etme eğlmnde olup bandın daralması gelecekte muhtemel br fyat değşmne şaret etmektedr. Fyatlardak aşağı veya yukarı hareketllk arttıkça bandın genşlğ artarken, yatay ve durgun fyat hareket dönemlernde band daralacaktır. Formülü aşağıdak gbdr: n 2 Cİ Yİ C 1 1 Yİ n n Üstband Y d Ortaband Y Altband Y d n (2.6) Burada, =Standart Sapma Y=Bast Hareketl Ortalama d= Standart Sapma Çarpanı olarak alınmıştır. Fyatlar üst banda değdğnde kısa vadel satım, alt banda değdğnde kısa vadel alım yapılablr. Orta bandı aşarak yükselşn sürdüren hsse senedn tutmaya devam etmek doğru br yoldur. Orta bandı kırarak düşüşünü sürdüren hsse senednden alım yapmak çn br süre daha beklenmeldr. 2.7 Chakn Para Akım Gösterges ( Chakn Money Flow, CMF ) Chakn Para Akım Gösterges, Chakn Toplama- Dağıtım Oslatör ü temel alır. Toplama- Dağıtım ı (Accumulaton- Dstrbuton ) açıklarsak, sırasıyla, eğer hsse senednn o günkü kapanış fyatı o günün orta noktasının [ ( en yüksek + en düşük ) /2 ] üzernde olursa, o gün toplanma günüdür. Tam ters, o günkü kapanış fyatı o günün orta noktasının altında olursa, o gün dağılım günüdür. Chakn Para Akım Gösterges (CMF), 21 günlük A/D değerlernn toplamının 21 günlük şlem mktarı toplamına bölünmesyle elde edlr. Formülü aşağıdak gbdr: 7

11 1 Cİ LİHİ Cİ H L 21 A 1 İ İ 21 Aİ Bİ V CMFİ B İ V İ (2.7) CMF gösterges 0 çzgsnn üzerne çıktığında alım, altına düştüğünde satım yapılır. 2.8 Chande Momentum Oslatörü (Chande Momentum Oscllator, CMO ) Chande Momentum Oslatörü ( CMO), Tushar Chande tarafından gelştrlmştr. saf momentum u elde etmey amaçlamaktadır. +50 sevyesnn üzer aşırı alım, -50 sevyesnn aşağısı aşırı satım bölgesdr. Formülü aşağıdak gbdr. C C eger C C 0 14 İ İ1 İ 1 CU İ CMU İ CU 0 eger Cİ C eger Cİ C 1 0 CDİ CMDİ CU Cİ Cİ 1 eger Cİ C 1 0 (2.8) 1 CMO İ Burada, CMU CMU İ İ CMD İ CMD İ 100 CU=Yükselen Günlern Değer; CD=Düşen Günlern Değer; CMU=Yükselen Günlern Kümülatf Toplamı; CMD=Düşen Günlern Kümülatf Toplamı CMO=Chande Momentum Oslatörü olarak alınmıştır. -50 sevyesnden alım, +50 sevyesnden satım yapılır. Gösterge 0 çzgsnn üzerne çıktığında kesn alım, altına düştüğünde de kesn satım yapılmalıdır. 2.9 Doğrusal Regresyon Gösterges ( Lnear Regresson Indcator ) 8

12 Doğrusal Regresyon Gösterges, belrlenen süre boyunca hsse sened fyat trendn temel alır. En küçük kareler yöntemn kullanarak doğrusal ( lneer ) regresyon trend çzgs hesaplanır. Örneğn 14 günlük çzlen Doğrusal Regresyon trend çzgsnn son gün aldığı değer, 14 günlük Doğrusal Regresyon Gösterges (Lnear Regresson Indcator) nn değerne eşttr. Fyatlar göstergenn üzerne çıktığında alım, altına düştüğünde satım yapılır Momentum Gösterges Momentum gösterges, belrl br süre çnde fyatların yüzdesel değşmn gösterr. Referans çzgs 100 dür. Momentum belrl br zaman aralığı çn sürekl fyat değşmlernn aldığı değerle ölçülür. Formülü aşağıdak gbdr: MOM İ C 100 n 12 C n (2.9) Burada MOM= Momentum Gösterges dr. 100 referans çzgsnn üzerne çıktığında alım, altına düştüğünde satım yapılmalıdır Fyat Değşm Oranı ( Prce Rate of Change, P-ROC ) Fyat Değşm Oranı (Prce Rate of Change, P-ROC) gösterges fyatların belrl br süreye göre yüzdesel olarak ne kadar arttığını veya azaldığını gösterr. Momentum ndkatörüne benzemektedr, şu farkla, P-ROC yüzdesel değşm gösterr. Formülü aşağıdak gbdr: PROC İ C C Cn n 100 (2.10) Burada PROC=Fyat Değşm Oranı dır. 0 sevyesnn üzerne çıktığı zaman alım, altına düştüğü zaman satım yapılır Görecel Momentum Endeks (Relatve momentum Index, RMI) Görecel Momentum Endeks, Roger Altman tarafından gelştrlmştr. Görecel Güç Endeks (Relatve Strength Index, RSI) ın br varyasyonudur. RSI gb kapanıştan kapanışa artan ve azalan günler hesaplayacağına, RMI kapanıştan x gün 9

13 öncek kapanışa göre artan ve azalan günler hesaplar. İndkatörün k parametres bulunmaktadır. Süre (Tme Perods) ve Momentum. Süres 14 ve momentumu 1 olan RMI, 14 günlük RSI a eşttr. Formülü aşağıdak gbdr: C Cx C C 1 0 C C Aİ Bİ 0 C C 1 Cİ C C C m 1 x 1 A B 1 1 D1 D2 m m 0, D2 0 RM RM D1 RMI 100, D2 0 1 RM D2 m (2.11) Burada RMI= Görecel Momentum Endeks dr Görecel Güç Endeks (Relatve Strength Index, RSI) Görecel Güç Endeks (Relatve Strength Index, RSI) gösterges, k farklı hsse senedn karşılaştırmaz, tek br hsse senednn çsel gücünü ölçmektedr. RSI, 0 le 100 aralığında değerler alan ve fyat takp eden br göstergedr. Welles Wlder tarafından gelştrlmştr. Wlder, 14 günlük RSI hesaplamasını önermektedr. Ayrıca 9 ve 25 günlük RSI larda kullanılmaktadır. Hesaplamada kullanılan peryot azaldıkça, ndkatördek değşkenlk artmaktadır. Genellkle 0 le 30 aralığında dp, 70 le 100 aralığında tepe yapmaktadır. Genel olarak RSI grafk oluşumlarını tanımlamakta yararlı olması yanı sıra hsse sened fyatının kısa dönem çn pahalı ya da ucuz olduğu sevyey belrlemekte kullanılır. Ayrıca klask grafk metot ve şekller le görülmes zor olan destek ve drenç sevyelern çok defa daha önce ve daha belrgn olarak gösterr. En popüler yatay pyasa (ant-trend) göstergelernden olup aşırı alım-aşırı satım bölgelernn tanımlanması, tepe ve dplern tahmn edlmesnde kullanılır. Formülü aşağıdak gbdr: 10

14 PD İ C C, C C 0, 0,, ND C C 1 C C 1 C C 1 n n PD ND OPD OND RSI 100 n n OPD 1 OND C C (2.12) Burada RSI=Görecel Güç Endeks dr Stokastk Momentum Endeks (Stochastc Momentum Index, SMI) Stokastk Momentum Endeks (Stochastc Momentum Index, SMI) Wllam Blau tarafından gelştrlmştr. Stokastk Oslatör, hsse sened kapanış fyatıyla belrlenen süre çndek fyat aralığını karşılaştırırken; SMI, hsse sened kapanış fyatıyla belrlenen süre çndek fyat aralığının orta noktasını karşılaştırmaktadır. SMI, -100 le +100 aralığında hareket etmektedr. Kapanış, fyat aralığının orta noktasından büyükse, SMI poztftr. En genş artı değer kapanış değer yükseklern en yükseğne eşt olduğunda gerçekleşr. Ters durumda, SMI negatftr. En genş düşük değer kapanış değer düşüklern en düşüğüne eşt olduğu zaman gerçekleşr. Formülü aşağıdak gbdr: HHV max H, H, H,... H 1 2 n LLV mn L, L, L,... L 1 2 n UZ C MP 1 1 A UZ A 1 B A B D HHV LLV E D E 1 F E F 1 F B 2 G SMI G n1 (2.13) Burada n=üssel hareketl ortalama çn seçlen gün sayısıdır Stokastk Oslatörü (Stochastc Oscllator, SO) Stokastk Oslatörü, hsse senednn kapanış fyatını belrlenen süre çndek fyat 11

15 aralığı le karşılaştırmaktadır. Stokastk Oslatörü k eğr le gösterlr. Kesksz br çzg olarak gösterlen ana eğr %K olarak adlandırılırken, noktalı çzglerle gösterlen %D eğrs, %K nın hareketl ortalamasıdır. Alım satım kararları k şeklde verleblr: -Oslatör, 20 sevyesnn altına düşüp sonra üzerne çıktığı zaman alım, 80 sevyesnn üzerne çıkıp sonra altına düştüğü zaman satım kararı verlr. -Km zaman gösterge 20 ve 80 sevyelerne ulaşmadan ters yönlere hareket edeblmektedr. Bu durumlarda %K eğrs, hareketl ortalaması olan %D eğrsn aşağıdan yukarı kestğ zaman alım, yukarıdan aşağı kestğ zaman da satım kararı verlr. İndkatörün snyal sevyesn yukarı veya aşağı kesmesne göre alım veya satım yapılableceğ gb, 80 nn üzernden aşağı döndüğünde satım ve 20 nn altından yukarı döndüğünde de alım yapılmalıdır. Formülü aşağıdak gbdr: HHV max H, H, H,... H 1 2 n LLV mn L, L, L,... L 1 2 n A C LLV B HHV LLV m SUM1 A SUM 2 B 1 1 SUM1 STO 100 % D SUM 2 k 1 m STO k (2.14) Burada STO Stokastk Oslatör dür Wlder ın Düzeltme Gösterges (Wlder s Smoothng, WS) Wlder ın Düzeltme gösterges, adından da anlaşılacağı üzere, Welles Wlder tarafından gelştrlmştr. Wlder, bu düzeltme ndkatörünü dğer çalışmalarının br parçası gb kullanmaktadır. İndkatör, temel olarak üssel (exponental) metoda benzeyen br hareketl ortalama tpdr çünkü serdek bütün tarh vernn gttkçe azalan daha küçük br yüzdesn muhafaza etmektedr. Kapanış fyatları ndkatörün üstüne çıktığı yerlerde alım snyal ve altına düştüğü yerlerde satım snyal üretmektedr. 12

16 2.17 Wllams ın %R Gösterges (Wllams %R) Wllams ın %R gösterges aşırı alım ve aşırı satım sevyelern ölçen br momentum göstergesdr. Larry Wllams tarafından gelştrlmştr. Stokastk Oslatör e benzemekle brlkte gösterge 0 le 100 arasında dalgalanır. 0 le 20 aralığında aşırı alım, 80 le 100 aralığında se aşırı satım sevyelerne ulaşılmış demektr. Formülü aşağıdak gbdr: HHV max H, H, H,... H 1 2 n LLV mn L, L, L,... L 1 2 n HHV C WIL% R 100 HHV LLV (2.15) Burada WIL%R=Wllams ın %R Göstergesdr. WIL%R gösterges -80 sevyesnn altından yukarı doğru döndüğünde alım, -20 sevyesnn üzernden aşağı doğru döndüğünde de satım yapılmalıdır Wllams ın Toplama Dağıtım Gösterges(Wllams Accumulaton/ Dstrbuton) Wllams ın Toplama Dağıtım gösterges br fyat göstergesdr. Wllams a göre eğer hsse sened yen br tepe yaptığında gösterge yen br tepe yapıp düşerse, satım yapılmalıdır. Eğer senet yen br dp yaptığında gösterge yen br dp yapıp yükselrse, alım yapılmalıdır. Formülü aşağıdak gbdr: TRH max C, H TRL mn C, L 1 1 C TRL, C C AD 0, C C C TRH, C C 1 1 WILADI 1 AD 1 (2.16) Burada WILADI= Wllams ın Toplama Dağıtım Gösterges dr Pyasa Kolaylık Endeks (Market Facltaton ndex, MFI) Pyasa Kolaylık Endeks (Market Facltaton Index), Dr. Bll Wllams tarafından gelştrlmştr. Fyat hareket ve şlem hacmn brleştren br yöntemdr. Günlük şlem aralığının şlem hacmne bölünmesyle elde edlr. İşlem hacm başına fyat 13

17 hareket ölçerek fyat hareketnn etknlğn gösterr. Formülü aşağıdak gbdr: 1 eger MF MF H L MF MF 0 eger MF MF 1 V 1 eger MF MF 1 1 (2.17) Burada MFI= Pyasa Kolaylık Endeks dr İzdüşüm Oslatörü (Projecton Oscllator) İzdüşüm Oslatörü (Projecton Oscllator), yne Mel Wdner tarafından gelştrlmştr. Oslatör, 20 sevyesnn altına düşüp sonra bu sevyenn üstüne çıktığı zaman alım, 80 sevyesnn üstüne çıkıp sonra bu sevyenn altına düştüğü zaman satım yapılmalıdır. Yüksek değerler ( 80 n üstü) aşırı ymserlğ, düşük değerler ( 20 nn altı) aşırı kötümserlğ gösterr. Eğer pyasa trend yapmıyorsa, bu ndkatör aşırı alım ve aşırı satım gösterges olarak y sonuçlar verecektr. Eğer pyasa trend yapıyorsa, oslatör trendn yönünde şlemler yapmak çn kullanılablr Günç Momentum Endeks (Intraday Momentum Index, IMI ) Günç Momentum Endeks (Intraday Momentum Index, IMI), Tushar Chande tarafından gelştrlmştr. Görecel Güç Endeks (Relatve Strength Index, RSI) le mum grafkler analznn karışımıdır. IMI nın hesaplaması, RSI a benzemekle brlkte, burada günlük açılış fyatlarıyla kapanış fyatları arasındak lşk kullanılarak günün yükselş m yoksa düşüş mü yaptığı tanımlanır. Eğer kapanış, açılışın üstündeyse yükselş; altındaysa düşüş söz konusudur. Formülü aşağıdak gbdr: 0 n C O eger C O D1 SUM1 D1 0 eger C O eger C 0 n O D2 SUM2 D2 C O eger C O 0 1 (2.18) IMI SUM1 SUM1 SUM

18 2.22 Q-STICK Gösterges (Qstck Indcator) Q-Stck Gösterges, Tushar Chande tarafından gelştrlmştr. Q-Stck Gösterges, açılış ve kapanış fyatları arasındak farkın hareketl ortalamasıdır. Fyatlar ortalamanın üzerne çıktığında alım, altına düştüğünde satım yapılmalıdır. Formülü aşağıdak gbdr: QSTICK n 1 C n O (2.19) Burada QSTICK Q-Stck Göstergesdr. Göstergenn snyal sevyesn yukarı veya aşağı kesmesne göre alım veya satım yapılableceğ gb, +50 nn üzernden aşağı döndüğünde satım ve -50 nn altından yukarı döndüğünde de alım yapılablr. 15

19 3. VERİ MADENCİLİĞİ Günümüzde kullanılan ver tabanı yönetm sstemler eldek verlerden sınırlı çıkarımlar yaparken geleneksel çevrmç şlem sstemler (on-lne transacton processng systems) de blgye hızlı, güvenl erşm sağlamaktadır. Fakat ks de eldek verlerden analzler yapıp anlamlı blgler elde etme mkanını sağlamakta yetersz kalmışlardır. Verlern yığınla artması ve anlamlı çıkarımlar elde etme htyacı arttıkça uzmanlar Knowledge Dscovery n Databases (KDD) adı altında çalışmalarına hız kazandırmışlardır. Bu çalışmalar sonucunda da ver madenclğ (Data Mnng) kavramı doğmuştur. Ver madenclğnn temel amacı, çok büyük ver tabanlarındak ya da ver ambarlarındak verler arasında bulunan lşkler, örüntüler, değşklkler, sapma ve eğlmler, belrl yapılar gb blglern matematksel teorler ve blgsayar algortmaları kombnasyonları le ortaya çıkartılması ve bunların yorumlanarak değerl blglern elde edlmesdr. 3.1 Tanım İlşksel ver tabanı sstemleryle ulaşılan verler tek başına br anlam fade etmezken ver madenclğ teknolojs bu verlerden anlamlı blg üretlmede öncü rol oynamaktadır. Aşağıda bazı ver madenclğ tanımlarına yer verlmektedr. 1. Ver madenclğ; vertabanında blg keşf (KDD), eldek verlerden önceden blnmeyen fakat potansyel olarak yararlı olablecek blgler çıkarmaktır. Bu kümeleme, ver özetlemes, öğrenme sınıflama kuralları, değşklklern analz ve sapmaların tespt gb brçok farklı teknk bakış açısını çne alır. [2]. 2. Ver madenclğ, otomatk veya yarı otomatk çözüm araçları (tools) le büyük ölçeklerdek vernn anlamlı yapılar ve kurallar keşfetmek üzere araştırılması (exploraton) ve analz edlmesdr. [3]. 16

20 3. Ver madenclğ çok büyük tabanları çndek verler arasındak bağlantılar ve örüntüler araştırarak, gzl kalmış yararlı olablecek verlerden değerl blgnn çıkarılması sürecdr. [4]. 4. Ver Madenclğ, büyük ver ambarlarından daha önceden blnmeyen, doğru ve eyleme geçrleblr blgy ayrıştırma ve çok öneml kararların alınması aşamasında ayrıştırılan bu blgy kullanma sürecdr. [5]. Yukarıdak tanımları toplayıp ver madenclğ kavramına ek br tanım daha getrleblr. Ver madenclğ; matematksel yöntemler yardımıyla, brken ver yığınları çersnde bulunan dataların brbrleryle lşksn ortaya çıkartmak çn yapılan analz ve kurulan modeller sonucunda elde edlecek blg keşf sürecdr. Ver madenclğnn, dsplnler arası br teknoloj olarak dört ana başlıktan oluştuğu kabul edlmektedr. Bunlar sınıflama, kategor etme, tahmn etme ve görüntülemedr. Bu dört temel dışında statstk, makne blgs, vertabanları ve yüksek performanslı şlem gb temeller de çerr. 3.2 Tarhsel Gelşm Ver madenclğnn kavram olarak oluşması 1960 lı yıllara kadar dayanmaktadır. Bu dönemlerde ver taraması (data dredgng), ver yakalanması (data fshng) gb smler verlmş ve blgsayar yardımıyla gerekl sorgulama (query) yapıldığında stenlen blgnn elde edlebleceğ düşünülmüştür. Fakat 1990 lar geleneksel statstksel yöntemlernn yerne algortmk blgsayar modüller le ver analznn gerçekleştrlebleceğnn kabul edldğ yıllar olmuştur. Ver madenclğnn tarhsel sürec Tablo1.1 de gösterlmştr [6]. 17

21 Tablo 3.1: Ver madenclğnn tarhsel gelşm 3.3 Kullanım Alanları Tarhsel süreç, gelşen teknoloj le ver madenclğnn şlevlğn etkn br şeklde sürdürdüğünü göstermektedr. Verler çok hızlı br şeklde toplanablmekte, depolanablmekte, şleneblmekte ve blg olarak kurumların hzmetne sunulablmektedr. Günümüzde blgye hızlı erşm, frmaların sürekl yen stratejler gelştrp etkl kararlar almalarını sağlayablmektedr. Bu süreçte araştırmacılar, büyük hacml ve dağınık ver setler üzernde frmalara gerekl blg keşfn daha hızlı gerçekleştreblmeler çn ver madenclğ üzerne çalışmalar yapmışlardır. Tüm bu çalışmalar doğrultusunda ver madenclğ günümüzde yaygın br kullanım alanı bulmuştur. Kısaca ver madenclğnn kullanılableceğ alanlar aşağıdak gbdr. Perakende/ Pazarlama Bankacılık Sağlık hzmetler ve sgortacılık Tıp Ulaştırma 18

22 Eğtm Ekonom Güvenlk Elektronk tcaret 3.4 Ver Madenclğ Modeller IBM tarafından ver şleme operasyonları çn k çeşt model tanımlanmıştır Doğrulama model Doğrulama model kullanıcıdan br hpotez alarak testler yapar ve bu hpotezn geçerllğn araştırır Keşf model Sstem bu modelde öneml blgler gzl verden otomatk olarak elde eder. Ver başka hçbr aracıya htyaç duymadan yaygın olarak kullanılan modeller, genelleştrmeler le ayıklanır. 3.5 Ver Madenclğ Uygulamaları İçn Temel Adımlar Ver madenclğ uygulamalarında sırasıyla takp edlmes gereken temel aşamalar aşağıda sstematk bçmde verlmştr Uygulama alanının ortaya konulması Bu lk adımda ver madenclğnn hang alan ve hang amaç çn yapılacağı tespt edlr Hedef ver grubu seçm Belrlenen amaç doğrultusunda bazı krterler belrlenr. Bu krterler çerçevesnde aynı veya farklı vertabanlarından verler toplanarak hedef (target) ver grubu elde edlr. 19

23 3.5.3 Model seçm Ver madenclğ problemnn seçm datalar üzernden belrlenr. (Sınıflandırma, Kümeleme, Brlktelk Kuralları, Şablonların ve İlşklern Yorumlanması v.b.) Ön şleme Bu aşamada seçlen verler ayıklanarak slnr, eksk ver alanları üzerne stratejler gelştrlr. Verler tekrardan düzenlenp tutarlı br hale getrlr. Bu aşamada yapılan şlem data temzleme ve data brleştrme olarak blnen uyumlandırma şlemdr. Ver brleştrme (bütünleştrme), farklı ver tabanlarından ya da kaynaklarından elde edlen verlern brlkte değerlendrmeye alınablmes çn farklı türdek verlern tek türe dönüştürüleblmes demektr Ver ndrgeme Çözümleme şlem ver madenclğ uygulamalarında uzun süreblmektedr. İşlem yapılırken eksk ya da uygun olmayan verlern oluşturduğu tutarsız verlerle karşılaşılablr. Bu gb durumlarda vernn söz konusu sorunlardan arındırılması gerekmektedr. Çözümlemeden elde edlecek sonuçta br değşklk olmuyorsa ver sayısı ya da değşkenlern sayısında azaltmaya gdlr. Ver ndrgeme çeştl bçmlerde yapılablr. Very ndrrken bu verler çok boyutlu ver küpler bçmne dönüştürmek söz konusu olablr. Böylece çözümler sadece belrlenen boyutlara göre yapılır. Verler arasında seçme şlem yapılarak da ver tabanından verler slnp boyut azaltılması yapılır Ver dönüştürme Verler drekt ver madenclğ çözümlerne katmak çoğu zaman uygun olmayablr. Değşkenlern ortalama ve varyansları brbrlernden çok farklıysa büyük ortalama ve varyansa sahp değşkenlern dğer değşkenler üzerndek etks daha fazla olur. Bu nedenle br dönüşüm yöntem uygulanarak değşkenlern normalleştrlmes ya da standartlaşması uygun yoldur. 20

24 3.5.7 Algortmanın belrlenmes Bu aşamada ndrgenmş verye ve kullanılacak modele hang algortmanın uygulanacağına karar verlr. Mümkünse bu algortmanın seçmne uygun ver madenclğ yazılımı seçlr değlse oluşturulan algortmaya uygun programlar yazılır Yorumlama ve doğrulama Uygulama sonucunda elde edlen verler üzerne yorumlama yapılır, bu yorumların test verler üzernden doğrulanması hedeflenr. Doğruluğu onaylanan bu yorumlar gzl blgye ulaşıldığını göstermektedr. Elde edlen bu blgler çoğu kez grafklerle desteklenr. 3.6 Temel Ver Madenclğ Problemler ve Çözüm Yöntemler Ver madenclğ uygulaması gerektren problemlerde, farklı ver madenclğ algortmaları le çözüme ulaşılmaktadır. Ver madenclğ görevler k başlık altında toplanmaktadır. - Eldek vernn genel özellklernn belrlenmesdr. - Kestrmc/Tahmn edc ver madenclğ görevler, ulaşılablr ver üzernde tahmnler aracılığıyla çıkarımlar elde etmek olarak tanımlanmıştır. Ver madenclğ algortmaları aşağıda açıklanmaktadır Karakterze etme (Characterzaton) Ver karakterzasyonu hedef sınıfındak verlern seçlmes, bu verlern genel özellklerne göre karakterstk kuralların oluşturulması olayıdır. Örnek: Perakende sektöründe faalyet gösteren, uluslararası ABC şrketnn bnlerce kurumsal müşters olsun. ABC şrketnn pazarlama brmnde, büyük kurumsal müşterlere yönelk kampanyalar çn her yıl düzenl olarak bu şrketten 10 mlyon TL ve üstü alım yapan kurumsal müşterler hedeflenmektedr. Vertabanından hedef grup belrlenerek genelleme yapılır ve genel kurallar oluşturulur. 21

25 3.6.2 Ayrımlaştırma (Dscrmnaton) Belrlenen hedef sınıfa karşıt olan sınıf elemanlarının özellkler arasında karşılaştırma yapılmasını sağlayan algortmadır. Karakterze etme metodundan farkı mukayese yöntemn kullanmasıdır. Örnek: ABC kurumsal müşterlernden her yıl 10 mlyon TL ve üstü alışverş yapan fakat ger ödeme konusunda rskl olan müşter grubunun belrlenmes Sınıflandırma (Classfcaton) Sınıflandırma, ver tabanlarındak gzl örüntüler ortaya çıkarablmek çn ver madenclğ uygulamalarında sıkça kullanılan br yöntemdr. Verlern sınıflandırılması çn belrl br süreç zlenr. Öncelkle var olan vertabanının br kısmı eğtm amaçlı kullanılarak sınıflandırma kurallarının oluşturulması sağlanır. Bu kurallar kullanılarak verler sınıflandırılır. Bu verler sınıflandırıldıktan sonra eklenecek verler bu sınıflardan karakterstk olarak uygun olan kısma atanır. Sınıflandırma problemler çn Oracle Data Mner (ODM) ın uyumlu olduğu çözüm yöntemler Navé Bayes (NB), Karar Destek Vektörler (SVM), Karar Ağaçları ve Adaptve Bayes Network(ABN) dr. Örnek: XYZ şrket müşterlernn alım durumlarını göz önünde bulundurarak, alım gücüne göre Yüksek, Orta, Düşük şeklnde sınıflandırır. Müşterlernn rsk durumlarını sınıflandırmak çn de Rsksz, Rskl, Çok Rskl şeklnde etketlerle sınıflandırılablr Tahmn etme (Predcton) Kayıt altında tutulan geçmş verlern analz sonucu elde edlen blgler gelecekte karşılaşılacak aynı tarz br durum çn tahmn ntelğ taşıyacaktır. Örneğn ABC şrket geçen yılın satışlarını bölge bazlı sınıflandırmış ve bu sene çn br trend analz yaparak her bölgede oluşacak taleb tahmn etmştr. Bu tür problemler çn ODM nn kullandığı regresyon analz yöntem SVM dr Brlktelk kuralları (Assocaton rules) Brlktelk kuralları gerek brbrn zleyen gerekse de eş zamanlı durumlarda araştırma yaparak, bu durumlar arasındak lşklern tanımlanmasında kullanılır. Bu modeln yaygın olarak Market Sepet Analz uygulamalarında kullanıldığı 22

26 blnmektedr. Örneğn br süpermarkette X ürününden alan müşterlern büyük br kısmı Y ürününden de almıştır. Brlktelk kuralı le bu durum ortaya çıkarılarak, süpermarketn X ve Y ürününü aynı veya yakın raflara koyması sağlanır. ODM bu problem sınıfı çn de Brlktelk Kuralları modeln kullanmaktadır Kümeleme (Clusterng) Yapı olarak sınıflandırmaya benzeyen kümeleme metodunda brbrne benzeyen ver grupları aynı tarafta toplanarak kümelenmes sağlanır. Sınıflandırma metodunda sınıfların kuralları, sınırları ve çerçeves bell ve datalar bu krterlere göre sınıflara atanırken kümeleme metodunda sınıflar arası br yapı mevcut olup, benzer özellkte olan verlerle yen gruplar oluşturmak asıl hedeftr. Verlern kend aralarındak benzerlklernn göz önüne alınarak gruplandırılması yöntemn pek çok alanda uygulanablmesn sağlamıştır. Örneğn, pazarlama araştırmalarında, desen tanımlama, resm şleme ve uzaysal harta verlernn analznde kullanılmaktadır. Tüm bu uygulama alanlarında kullanılması, ODM nn destekledğ K-means ve O-Cluster kümeleme yöntemler le mümkün kılınmıştır Aykırı değer analz (Outler analyss) İstsnalar veya sürprz olarak tespt edlen aykırı verler, br sınıf veya kümelemeye tab tutulamayan ver tplerdr. Aykırı değerler bazı uygulamalarda atılması gereken değerler olarak düşünülürken bazı durumlarda se çok öneml blgler olarak değerlendrleblmektedr. Örneğn markette müşterlern hep aynı ürünü ade etmes bu metodun araştırma konusu çne grer. ODM; temzleme, eksk değer, aykırı değer analz gb brçok yöntem ver hazırlama aşaması çne almakta ve desteklemektedr Zaman serler (Tme seres) Yapılan ver madenclğ uygulamalarında kullanılan verler çoğunlukla statk değldr ve zamana bağlı olarak değşmektedr. Bu metot le br veya daha fazla ntelğn belrl br zaman aralığında, eğlmndek değşm ve sapma durumlarını nceler. Belrlenen zaman aralığında ölçüleblr ve tahmn edlen/beklenen değerler karşılaştırmalı olarak nceler ve sapmaları tespt eder. 23