BİST30 HİSSELERİNİN TARİHSEL VERİLERİNİN KÜMELEME ANALİZİ

0 659

1985 yılında açılan Borsa İstanbul’da farklı iş dallarında yüzlerce hisse senedi listelenmektedir. Bu hisse senetlerini Borsa İstanbul sayesinde yatırım amaçlı olarak alma ve satma işlemelerini gerçekleştirebilmekteyiz. Borsa İstanbul’da listelenen piyasa değeri olarak en büyük 30 hisse senedi BİST30 grubu içinde yer almaktadır.

Bu çalışmada BİST30 içinde yer alan hisse senetlerinin 2020 başından 2022 sonuna kadar olan verilerini Python programlama dili kullanarak listelenmesi, bu hisse senetlerinin açılış, kapanış, gün içindeki en yüksek ve en düşük     değerleri gibi değerlerin ortalamasını alıp kümeleme analizi yapılarak benzerliklerinin bulunması amaçlanmaktadır.

Bu çalışma sayesinde BİST 30 içinde yer alan hisse senetlerinin benzerlik analizi sonuçlarını elde etmeyi ve gelecek yatırım planlarında bu sonuçlardan yola çıkarak yeni yatırım fikirleri elde etmeyi hedefledik.

            Elde ettiğimiz sonuçlara göre BİST30 içinde yer alan hisse senetlerinin tarihsel verilerinin ortalamaları alınıp kümeleme analizi sonucunda iki guruba girdikleri tespit edilmiştir. Analiz sonuçlarına göre bu iki kümeye giren hisse senetlerinin benzerlikleri değerlendirilmiştir.

BİST30 HİSSELERİNİN TARİHSEL VERİLERİNİN KÜMELEME ANALİZİ

GİRİŞ

1985 yılında açılan Borsa İstanbul veya kısaca BİST, sermaye piyasasında faaliyet gösteren Türk ve yurt dışı kaynaklı yabancı bankalara, aracı kurumlara saklama ve takas hizmeti vermektedir. Borsa İstanbul ismi 2013 yılından beri kullanılmakta olup, 5 Nisan 2013’den önce isim olarak “İstanbul Menkul Kıymetler Borsası” kullanılmaktaydı.

Borsa İstanbul içinde işlem gören işlem hacmi ve piyasa değeri en yüksek 30 şirketin hisse senedi performanslarının ölçümlenmesi sonucunda BİST30 Endeksi ortaya çıkmaktadır. BİST03 Endeksinde yer alan hisse senetleri BİST50 ve BİST100 endekslerinde de bulunurlar.

BIST 30 Endeksi; Borsa İstanbul’da işlem gören, hem işlem hacmi hem de piyasa değeri en yüksek 30 şirketin hisse senetlerinin performanslarının ölçülmesiyle meydana gelen bir endekstir. BIST 30 endeksi içinde yer alan hisse senetleri; BIST 50 ve BIST 100 endekslerinde de bulunmaktadır.

BİST30 endeksi içinde yer alan hisse senetlerinin geçmiş yıllarda n günümüze kadar olan verilerinin toplanması, düzenlenmesi ve bunların analiz edilip bir sonuç çıkarılması bu dönem projesinin asıl amacıdır.

BİST30 endeksinin geçmiş dönem kayıtlarını Yahoo Finans isimli ücretsiz finans verisi sağlayan ve buna farklı API ile erişim sağlayan servisten sağladık. Yahoo! Finans, Yahoo firmasına ait bir yan ürün olup, hisse senedi fiyatlarını, kur bilgilerini, finansla ilgili basın bültenlerini, finansal raporları sağlayan bir servistir.

Yahoo Finance’deki hisse senedi verilerini Python programlama dilini kullanarak indirdik. Python programlama dilinin farklı kullanım yöntemleri ve Yahoo Finance’dan veri indirmeye yarayan kütüphanelerini kullandık.

Yine Python kullanarak elde ettiğimiz bu verileri, temizleme, listeleme, farklı türlere çevirme işlemlerini gerçekleştirdik. Elde ettiğimiz verileri SPSS programında kullanabilecek bir hale getirdikten sonra hisse senedi verilerini kümeleme analizi işlemi uyguladık.

Bu dönem projesinde elde ettiğimiz BİST30 hisse senedi verilerin kümeleme analizi sonuçlarına yer verdik.

PROBLEM DURUMU

BİST30 endeksi içinde yer alan hisse senetlerinin geçmiş kapanış değerlerinin performanslarına göre kümeleme analizi sonuçlarına göre hisse senetleri arasında benzerlikler bulunabilinir mi?

BİST30 endeksinde bulunan hisse senetlerinin benzerlikleri bulunup gelecek yatırım fikirleri oluşturulabilir miyiz?

BİST30 endeksinde bulunan hisse senetlerinin geçmişteki değerleri ile gelecek yatırımları nasıl yönlendirebiliriz?

ARAŞTIRMANIN AMACI

BİST30 endeksinde yer alan hisse senetlerinin geçmiş yıllar verileri toplanıp, bunlarının kümeleme analizi yapmak bu dönem projesinin ana amacıdır. Elde ettiğimiz sonuçlar sayesinde gelecek yatırımlar için daha doğru karar mekanizmaları oluşturmayı hedeflemekteyiz.

ARAŞTIRMANIN ÖNEMİ

BİST30 endeksi her gün milyarlarca liralık bir hareketin olduğu ve insanların sürekli takip edip para kazanmaya çalıştığı bir ortamdır. Geçmiş hareketlerin gelecek yatırımlar için bir ön görüde bulunabilmesi para kazanmanın bir anahtarı olabilir.

Bu araştırmanın bulguları geçmiş dönem hisse senetlerinin arasındaki bağlantıyı bulma üzerinedir. Geçmiş hisse senedi verileri analiz edilerek, farklı hisse senetleri arasındaki bağlantı olup olmadığını belirlemek gelecek yatımlar için önem taşımaktadır.

TANIMLAR

BIST 30 Nedir?

BIST 30 Endeksi; İstanbul Menkul Kıymetler Borsası’nda işlem gören, işlem hacmi ve piyasa değeri en yüksek 30 şirketin hisse senedi performansını ölçen bir endekstir. BIST 30 endeksinde yer alan bir hisse senedi; BIST 50 ve BIST 100 endekslerinde de yer almaktadır.

BIST 30 Endeksi’nin işlem kodu XU030’dur. BIST 30 endeksine dahil edilecek hisse senetleri belirlenirken, fiili dolaşımdaki hisse senetlerinin piyasa değeri ve günlük ortalama işlem hacmi büyükten küçüğe doğru sıralanır. Bu iki üst sıradaki hisse senedi endekse dahil edildi.

BIST 30, Borsa İstanbul’un (BİST) oluşturduğu ve işlem gördüğü, 30 büyük likit şirketi içeren bir endekstir. Endeks, Türkiye’nin en likit ve en büyük şirketlerini temsil ediyor. BIST 30 Endeksi, borsanın genel gidişatını ve ekonominin performansını ölçmek için kullanılmaktadır. Yatırımcılar ayrıca portföylerinin performansını ölçmek için kullanırlar.

BIST 30 endeksinde yer alan şirketlerin endeks içindeki oranı %10 ile sınırlandırılmıştır. Bunun nedeni; piyasa değeri oldukça yüksek olan şirketlerin hisse senetlerinde yaşanacak fiyat değişimlerinin endeks içinde büyük değişikliklere yol açmasına engel olmaktır.

Yahoo! Finance

Yahoo! Finance, Yahoo!’nun şirketinin bir parçasıdır. Hisse senedi fiyatları, basın bültenleri, finansal raporlar ve orijinal içerik dahil olmak üzere finansal haberler, veriler ve yorumlar sağlar. Ayrıca kişisel finans yönetimi için bazı çevrimiçi araçlar sunar. Diğer web sitelerinden ortak içeriği yayınlamanın yanı sıra, Yahoo Finance’ye bağlı  gazetecilerinden oluşan ekibinin orijinal haber ve bültenlerini yayınlar. Farklı kurumlar tarafından en büyük haber ve medya siteleri listesinde 20. sırada yer almaktadır.

2017’de Yahoo! Finans, kripto para birimiyle ilgili haberlere bakma özelliğini eklenmiştir. Bitcoin ve Ethereum dahil olmak üzere 9.000’den fazla benzersiz madeni para listeler.

PYTHON

Python, üst-seviyeli, genel amaçlı bir programlama dilidir. Python, yapısal ve fonksiyonel programlama modellerini destekleyen üst düzey ve nesneye yönelik bir programlama dilidir . Özellikleri nedeniyle Python, büyük ve karmaşık veri kümelerini hızlı ve verimli bir şekilde işleyebilir ve ilişkilendirebilir. Bu yüzden Uber, PayPal ve Facebook gibi önde giden teknoloji girişimler, markaları, uygulamalarını oluşturmak için kullandıkları programlama dili olarak Python’u seçmiştir.

PANDAS

Pandas, “ilişkisel” veya “etiketli” verilerle çalışmayı hem kolay hem de sezgisel hale getirmek için tasarlanmış hızlı, esnek ve anlamlı veri yapıları sağlayan bir Python paketidir. Python’da pratik, gerçek dünya veri analizi yapmak için temel üst düzey yapı taşı olmayı amaçlar. Ek olarak, herhangi bir dilde mevcut olan en güçlü ve esnek açık kaynaklı veri analizi / manipülasyon aracı olma gibi daha geniş bir hedefi vardır. Zaten bu hedefe doğru ilerliyor.

OPENPYXL

Openpyxl, Microsoft Excel dosyalarını ( .xlsx formatında) Python kodu kullanarak okuma, yazma ve manipüle etmenize olanak tanıyan bir Python kütüphanesidir. Excel dosyaları ile çalışmak için kapsamlı ve kullanımı kolay bir arayüz sunar.

Openpyxl ile, Excel dosyalarındaki verileri okuma ve yazma, hücreleri, satırları ve sütunları değiştirme ve biçimlendirme, grafikler oluşturma ve manipüle etme gibi birçok işlemi gerçekleştirebilirsiniz. Ayrıca, tek bir Excel dosyası içinde birden fazla çalışma sayfası ile çalışmayı da destekler.

YÖNTEM

ARAŞTIRMANIN MODELİ

            Araştırmada yöntem olarak içerik analizi yönteminden yararlanılmıştır. İçerik analizi, inceleme yapılan metinden geçerli çıkarımlara ulaşmak için sistematik metotların kullanıldığı bir araştırma yöntemidir (Weber, 1990).

VERİ TOPLAMA ARAÇLARI

BIST30 endeksi, Türkiye’de işlem gören 30 büyük ve likit şirketi içermektedir. Şirketlerin seçimi, Borsa İstanbul tarafından yapılmaktadır ve yıllık olarak revize edilmektedir. BIST30 endeksinde bulunan şirketler arasında bankalar, sigorta şirketleri, enerji şirketleri, inşaat şirketleri, tekstil şirketleri, otomotiv şirketleri, medya şirketleri, telekomünikasyon şirketleri, sağlık hizmetleri şirketleri ve teknoloji şirketleri gibi farklı sektörlerde faaliyet gösteren şirketler yer almaktadır.

BIST30 endeksinde yer alan şirketler arasında Akbank, Garanti Bankası, Halkbank, İş Bankası, Yapı ve Kredi Bankası, Türkiye İş Bankası, Türkiye Halk Bankası, Türk Telekom, Turkcell, Petkim, Eregli Demir ve Çelik Fabrikaları, Arçelik, Konya Şeker, Borusan Holding, Koç Holding, Sabancı Holding, Vakıfbank, Türkiye Vakıf Bankası, Türkiye Garanti Bankası, Türkiye Sınai Kalkınma Bankası, Türkiye Halk Kredi Kooperatifi, Türkiye Kalkınma Bankası, Türkiye Halk Bankası, Türkiye Cumhuriyeti Ziraat Bankası, Türkiye Ziraat Bankası, Türkiye Halk Bankası, Türkiye Halk Bankası, Türkiye Halk Bankası, Türkiye Halk Bankası, Türkiye Halk Bankası, Türkiye Halk Bankası gibi şirketler yer almaktadır.

Araştırmanın verileri Yahoo! Finance tarafından sunulan geçmiş yıllar hisse senetleri verileri tarafından sağlanmıştır. Yahoo! Finance tüm dünya borsalarından hisse senetleri verisini özgürce ve ücretsiz bir biçimde sunan bir servistir.

Yahoo! Finance servisinden verileri almak için Python programlama dili kullanılmıştır. Verilerin Spss ile işlenebilmesi ve analiz edilebilmesi için Python programlama dilinden yararlanılmıştır.

Yahoo! Finance, içinde bütün dünya piyasalarından endeks, parite, kur, faiz oranı gibi bilgiler bulunmaktadır. Pyahon ile verilei toplamak için yine Yahoo şirketi tarafından geliştirilmekte olan “yfinance” isimli Python kütüphanesi kullanılmaktadır. Bu kütüphane sayesinde hem anlık hem de geçmiş veriler kolayca toplanabilmektedir.

Yahoo! Finance’den pyhon programlama dili kullanarak verileri kullanmak için kullandığımız kodlar:

pip install openpyxl

import yfinance as yf

import numpy as np

bist30Liste =['AKBNK','ARCLK','ASELS','BIMAS','DOHOL','EKGYO','EREGL','GUBRF','SAHOL','KRDMD','KCHOL','KOZAL','KOZAA','MGROS','OYAKC','PGSUS','PETKM','TAVHL','TKFEN','TCELL','TUPRS','THYAO','TTKOM','GARAN','HALKB','ISCTR','TSKB','SISE','VAKBN','YKBNK']

for hisse in bist30Liste:

    his = hisse+".IS"

    df = yf.download(his, start='2021-01-01', interval='1d')

df.to_excel(r''+his+'.xlsx',index = True) #df.to_excel(r'Path where the exported excel file will be stored\File Name.xlsx', index = False)

Üstteki kod BİST30 endeksinde yer alan listeli şirketlerin hisse senedinin 2021 yılından günümüze kadar Borsa İstanbul verilerini alır ve “df” isimli bir panda datasetine kaydeder.

Daha sonra bu bu indirdiğimiz veri setini her hisse senedi için bir excel dosyasına kaydeder.

Akbank Hisse senedi için elde edilen verilerin ilk 15 satırı:

DateOpenHighLowCloseAdj CloseVolume
2020-12-31 00:00:006,897,036,847,016,61897979910440
2021-01-04 00:00:006,987,156,967,16,703958110774945
2021-01-05 00:00:007,067,226,977,016,618979154456394
2021-01-06 00:00:007,177,357,157,356,940012171196874
2021-01-07 00:00:007,477,67,427,537,109972150589737
2021-01-08 00:00:007,617,637,477,527,10053113522210
2021-01-11 00:00:007,477,487,217,316,90224488420008
2021-01-12 00:00:007,47,427,247,286,87391862649493
2021-01-13 00:00:007,347,347,177,256,84559175591224
2021-01-14 00:00:007,277,287,077,126,72284275387321
2021-01-15 00:00:007,057,076,846,926,53399896536730
2021-01-18 00:00:006,96,996,796,996,60009385218058
2021-01-19 00:00:007,097,146,997,026,6284271436145
2021-01-20 00:00:007,047,046,856,926,53399883662348
2021-01-21 00:00:006,947,096,96,926,533998163922464

Date : Verinin tarihini gösterir.

Open : Hisse senedinin günlük başlangıç değerini

HIGH: Hisse senedinin o gün içinde elde ettiği en yüksek değeri

LOW : Hisse senedinin o gün içinde elde ettiği en düşük değeri

CLOSE: Hisse senedinin kapanış değerini

ADJ CLOSE: Adj Close veya düzeltilmiş kapanış fiyatı, hisse senetlerinin kapatılması sonrasındaki gerçek değerini yansıtmak için kullanılan finansal bir metriktir. Bu değer, hisse senedi bölünmeleri, temettüler veya diğer pay sahiplerine varlık dağıtımları gibi şirket faaliyetlerinden dolayı oluşabilecek değişiklikleri dikkate alarak hesaplanır.

Bir şirket temettü veya hisse senedi bölünmesi yaptığında, serbest kalan hisse sayısı değişir ve bu durum hisse senetlerinin fiyatını etkiler. Adj Close fiyatı bu değişiklikleri yansıtmak için düzeltilir ve hisse senetlerinin gerçek değerini daha doğru bir şekilde yansıtır. Bu fiyat, şirket faaliyetlerinden önceki hisse sayısına oranla şirket faaliyetlerinden sonraki hisse sayısının çarpımı ile hesaplanır.

Adj Close fiyatı genellikle finansal analiz, portföy yönetimi ve işlem stratejilerinin geri test edilmesinde kullanılır.

VOLUME:  Borsada hacim, genellikle bir gün olan belirli bir dönem içinde işlem gören toplam hisse senedi veya sözleşme sayısını ifade eder. Başka bir deyişle, belirli bir dönem içinde belirli bir güvenliğin alım satım aktivitesini ölçer. Hacim, bir hisse senetinin likiditesinin ölçülmesinde kullanılan önemli bir göstergedir ve hisse senetlerinin fiyat hareketlerinde trendleri ve desenleri belirlemek için kullanılabilir.

Yüksek hacim, bir hisse senedinin yoğun bir şekilde işlem gördüğünü ve birçok yatırımcı tarafından alınıp satıldığını gösterir. Düşük hacim, bir hisse senedinin daha az işlem gördüğünü ve az sayıda yatırımcı tarafından alınıp satıldığını gösterir. Bu, yatırımcıların hisse senedine ilgisinin az olduğunu ve hisse senedinin daha volatil olabileceğini gösterebilir. Yüksek hacim ayrıca, yatırımcıların büyük sayıda hisse senedi alıp satarak bir hisse senedinin yükseliş veya düşüş trendinde olduğunu gösterir.

VERİLERİN ANALİZİ

Elde ettiğimiz verilerin ortalamaları alındı ve yeni bir veri kümesi elde edildi.

Elde ettiğimiz verilerin son hali alttaki tabloda gösterilmiştir.

HisseOpenHighLowCloseAdj CloseVolume
akbank7,6147417,7528027,4757977,6067677,453974141469333,7
arçelik49,2978450,1159148,6146649,3242748,058015825686,05
aselsan20,8317521,2101920,495320,8032320,7320146144148,09
bimas79,2397680,3841678,1004379,244576,886715260526,459
dohol3,4881033,5575433,4246343,485563,383521129436188,8
ekgyo2,5324782,5852162,4858842,5314662,472874312884686,1
eregli24,1869824,6146623,7775424,1719622,291653466946,11
garan12,4302812,6644612,2387512,4302612,24529172583744,8
gubrf77,8691479,6602276,3765777,853677,85364802932,162
halkb5,3925865,5073065,3007975,3831475,38314784259702,16
isctr3,9918934,0783193,9127763,9945243,917045162710860,3
kchol30,8206731,3668130,3401930,8500430,3594716990734,77
kozaa21,2393821,7031920,8226921,2108821,2108820038057,86
kozal138,4691141,1752135,9893138,2664128,32516476637,438
krdmd10,055610,257139,86635810,043819,77168135707388,4
mgros48,6808249,6847847,8484748,7586648,758662944400,142
oyakc9,4069839,5844839,2430829,3952169,39521610375754,76
petkm8,1360138,3023717,9969188,1335348,133534132681314,6
pgsus119,8887122,7492117,5164120,0297120,02973141776,909
sahol15,4023315,6570515,1385615,4081715,0198934847876,9
sise14,1818314,4460113,9667714,2085814,01827105154668,5
tavhl37,0382837,78836,3169237,0338137,033818993848,127
tcell18,3073118,6060618,0061418,2999617,4757624188239,59
thyao30,9358231,58830,3929331,0316631,03166101476386,1
tkfen20,2123120,5946819,8632520,2220519,8381812966079,94
tskb1,8953021,944721,8544611,9014221,897059151686743,1
ttkom8,9176299,0823288,7731038,91258,0981635177207,04
tuprs181,502185,0268178,5523181,6306181,63065058850,901
vakbn4,3925434,4785134,3174144,3891594,38915990801734,81
ykbnk3,9056473,9904093,8278663,9066383,849807286162827,5

Toplayıp düzenlenen veriler  SPSS programı yardımıyla kümeleme analizi yapıldı.

BULGULAR

Elde ettiğimiz verileri SPSS programı yardımıyla kümeleme analizi yaptık.

Iteration Historya
IterationChange in Cluster Centers
12
179299156,40449723798,448
216379757,3183960741,780
322462117,5247815730,803
414152200,7018587335,780
5,000,000

a. Küme merkezlerinde hiç değişiklik olmaması veya çok az değişiklik olması nedeniyle yakınsama sağlandı. Herhangi bir merkez için maksimum mutlak koordinat değişimi ,000’dir. Geçerli yineleme 5’tir. İlk merkezler arasındaki minimum mesafe 309940285,953’tür.

Elde ettiğimiz iki kümeye giren hisse senetleri alttaki tabloya göre olmuştur.

Cluster Membership
Case NumberHisseClusterDistance
1akbank139122120,484
2arçelik226478704,178
3aselsan213839757,859
4bimas227043863,769
5dohol151155265,368
6ekgyo1132293231,947
7eregli221162555,887
8garan18007709,331
9gubrf227501458,066
10halkb251955311,930
11isctr117880593,846
12kchol215313655,460
13kozaa212266332,366
14kozal225827752,791
15krdmd144884065,734
16mgros229359990,085
17oyakc221928635,471
18petkm147910139,538
19pgsus229162613,319
20sahol22543486,674
21sise272850278,259
22tavhl223310542,100
23tcell28116150,635
24thyao269171995,856
25tkfen219338310,292
26tskb128904711,047
27ttkom22872816,817
28tuprs227245539,328
29vakbn258497344,578
30ykbnk1105571373,402
Final Cluster Centers
 Cluster
12
Open6,00556236859482345,533988095220490
High6,12588596729369046,429696201274950
Low5,89816047028563544,750133423773920
Close6,00377609358094245,544196419576906
Adj Close5,90275384457175344,658076378903750
Volume180591454,14798850000000032304390,227627260000000
Distances between Final Cluster Centers
Cluster12
1 148287063,920
2148287063,920 
ANOVA
 ClusterErrorFSig.
Mean SquaredfMean Squaredf
Open9843,72811655,295285,947,021
High10233,70211723,146285,939,021
Low9509,69811598,411285,949,021
Close9849,70211655,944285,948,021
Adj Close9462,44311596,553285,927,022
Volume138531035954564224,00012226806285313936,5002862,211,000

Kümeler, farklı kümelerdeki durumlar arasındaki farklılıkları en üst düzeye çıkarmak için seçildiğinden, F testleri yalnızca tanımlayıcı amaçlar için kullanılmalıdır. Gözlemlenen anlamlılık seviyeleri bunun için düzeltilmemiştir ve bu nedenle küme ortalamalarının eşit olduğu hipotezinin testleri olarak yorumlanamaz.

Number of Cases in each Cluster
Cluster19,000
221,000
Valid30,000
Missing,000

SONUÇ, TARTIŞMA VE ÖNERİLER

Bu çalışmanın amacı BIST30 Endeksinde yer alan hisse senetlerinin tarihsel verilerini alıp kapanış değerlerine göre kümelendirmektir. Çalışmada, Python programlama  dili kullanılarak veriler toplanmış ve  SPSS  ile KMEANS algoritması kullanılarak kümeleme çalışması yapılmıştır. . Girdi olarak, hisse senetlerinin elde edilen verilerin ortalama değerleri kullanılmıştır.

Sonuç olarak merkez mesafeye uzaklıklarına göre iki farklı küme oluşmuştur. Akbank, Doğan Holding (DOHOL), EKGYO, GARAN, İSCTR, KRDMD, PETKM, TSKB, YKBNK hisselerinin 1 nolu kümede gruplandığı görülmektedir. Bu hisselerin ortak özellikleri  Volume (işlem hacmi) değerlerinin çok yüksek olduğu görülmektedir.  Bu hisselerin ortalama işlem hacimleri günlük  120 milyon Türk lirasından fazladır. Bu da bunların en büyük işlem hacmine sahip hisseler olduğunu göstermektedir.

İkinci kümedeki hisseler, ilk gruba göre daha düşük hacimde günlük işleme sahip BİST30 hisseleridir.

Uzun vadeli Borsa yatırımı yapmak için daha büyük, güçlü bir şirket seçilmesi önemlidir. Bu yüzden yatırım tercihinde 1. Kümeye giren şirketlere yatırım yapmak daha büyük şirketlere ortak olmak anlamına gelmektedir.

Yüksek hacim, bir hisse senedinin yoğun bir şekilde işlem gördüğünü ve birçok yatırımcı tarafından alınıp satıldığını gösterir. Düşük hacim, bir hisse senedinin daha az işlem gördüğünü ve az sayıda yatırımcı tarafından alınıp satıldığını gösterir. Bu, yatırımcıların hisse senedine ilgisinin az olduğunu ve hisse senedinin daha volatil olabileceğini gösterebilir. Yüksek hacim ayrıca, yatırımcıların büyük sayıda hisse senedi alıp satarak bir hisse senedinin yükseliş veya düşüş trendinde olduğunu gösterir.

Bu çalışmanın sonucunda BİST30 içinde listelenen 30 hisse senedinin kümelenmesi sonucunda yüksek hacime sahip olanların bir kümede toplandığını ve bunlara yatırım yapmanın daha güvenli olabileceğini tespit etmiş bulunmaktayız.

KAYNAKÇA 

alnusyatirim. (2023, 01 16). alnusyatirim: https://www.alnusyatirim.com/bist-30-nedir adresinden alındı

Finance.yahoo.com. (2023, 01 16). https://finance.yahoo.com: https://finance.yahoo.com adresinden alındı

JN7.NET. (2023, 1 16). JN7.NET: https://jn7.net/veri-bilimi-icin-neden-python-kullanilir/ adresinden alındı

WİKİPEDİA. (2023, 01 16). en.wikipedia.org: https://en.wikipedia.org/wiki/Python_(programming_language) adresinden alındı

Şişman, M. ve Uysal, Ş. (2012). Okullarda Kültür ve İklim. W. K. Hoy & C. G. Miskel. Eğitim Yönetimi Teori, Araştırma ve Uygulama. (S. Turan, Çev., s.163-201). Ankara: Nobel Akademi Yayıncılık

Cevap bırakın

E-posta hesabınız yayımlanmayacak.

Bu web sitesi deneyiminizi geliştirmek için çerezleri kullanır. Bununla iyi olduğunuzu varsayacağız, ancak isterseniz vazgeçebilirsiniz. Kabul etmek Mesajları Oku