Günümüzde birçok kurum ve kuruluş tarafından çeşitli şekillerde toplanan bilgiler veri yığınları halinde saklanmaktadır. Veri madenciliği, veri tabanlarında saklanan verileri kullanarak tahminler yapabilen bir süreçtir. Veri madenciliği, birçok piyasada olduğu gibi hisse senetleri piyasasında da işletmeleri rakiplerinden avantajlı hale getirebilmektedir. Bu çalışmada, Borsa İstanbul’da işlem gören hisse senetlerinin günlük artış, azalış ve sabit kalma durumları göz önüne alınarak bir veri seti oluşturulmuştur. Bu veri setinin, anlamlı bir kümeleme oluşturması ve oluşan kümelerin sektör ve işletme açısından analiz edilmesi amaçlanmıştır. Bu doğrultuda, veri madenciliği süreci kümeleme yöntemi algoritmalarından biri olan “beklenti maksimizasyonu” yöntemi kullanılarak 134 işletme, hisse senedi fiyatları yükselişi “düşük”, “orta düzeyde” ve “yüksek” olarak üç kümeye ayrılmıştır. Çalışmanın sonucunda işletmelerin bulunduğu kümeler sektör ve işletme açısından yorumlanmıştır. Anahtar Kelimeler: Veri Madenciliği, Kümeleme Yöntemi, Borsa İstanbul Hisse Senetleri, Beklenti Maksimizasyonu.
Nowadays, information, collected by many institutions and organizations is stored in the form of data stacks. Data mining is a process that can make estimates using data stored in databases. Data mining in stock markets is as advantageous as many other markets in terms of gaining competitive advantage. In this study, a data set was prepared considering the daily increase, decrease and steady state of stocks traded in Istanbul Stock Exchange. By using this dataset, it is aimed to be able to create meaningful clustering and to analyze the clusters formed in terms of sector and business. In this direction, 134 firms using the "maximization of expectation" method, which is one of the data mining process clustering method algorithms, are divided into three groups as "low", "medium level" and "high" stocks. As a result, the clusters, are interpreted in terms of sector and business. Keywords: Data Mining, Clustering Method, Istanbul Stock Exchange Stocks, Expectation Maximization.
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, 2018.
Kaynakça var.
Günümüzde birçok kurum ve kuruluş tarafından çeşitli şekillerde toplanan bilgiler veri yığınları halinde saklanmaktadır. Veri madenciliği, veri tabanlarında saklanan verileri kullanarak tahminler yapabilen bir süreçtir. Veri madenciliği, birçok piyasada olduğu gibi hisse senetleri piyasasında da işletmeleri rakiplerinden avantajlı hale getirebilmektedir. Bu çalışmada, Borsa İstanbul’da işlem gören hisse senetlerinin günlük artış, azalış ve sabit kalma durumları göz önüne alınarak bir veri seti oluşturulmuştur. Bu veri setinin, anlamlı bir kümeleme oluşturması ve oluşan kümelerin sektör ve işletme açısından analiz edilmesi amaçlanmıştır. Bu doğrultuda, veri madenciliği süreci kümeleme yöntemi algoritmalarından biri olan “beklenti maksimizasyonu” yöntemi kullanılarak 134 işletme, hisse senedi fiyatları yükselişi “düşük”, “orta düzeyde” ve “yüksek” olarak üç kümeye ayrılmıştır. Çalışmanın sonucunda işletmelerin bulunduğu kümeler sektör ve işletme açısından yorumlanmıştır. Anahtar Kelimeler: Veri Madenciliği, Kümeleme Yöntemi, Borsa İstanbul Hisse Senetleri, Beklenti Maksimizasyonu.
Nowadays, information, collected by many institutions and organizations is stored in the form of data stacks. Data mining is a process that can make estimates using data stored in databases. Data mining in stock markets is as advantageous as many other markets in terms of gaining competitive advantage. In this study, a data set was prepared considering the daily increase, decrease and steady state of stocks traded in Istanbul Stock Exchange. By using this dataset, it is aimed to be able to create meaningful clustering and to analyze the clusters formed in terms of sector and business. In this direction, 134 firms using the "maximization of expectation" method, which is one of the data mining process clustering method algorithms, are divided into three groups as "low", "medium level" and "high" stocks. As a result, the clusters, are interpreted in terms of sector and business. Keywords: Data Mining, Clustering Method, Istanbul Stock Exchange Stocks, Expectation Maximization.