Return prediction in turkish stock market via machine learning

Abstract

In this study I compare machine learning methods for predicting the stock returns of individual Turkish stocks listed in the Istanbul Stock Exchange (Borsa Istanbul). As the main machine learning model I use the Instrumented Principal Component Analysis (IPCA) and as a benchmark model I use Fama-French Factor Model. The IPCA model generates the stock-level expected returns based on observable stock-level and firm-level characteristics and latent common factors estimated within the model. Within the model stock-level characteristics determine the factor betas, namely the covariances of stock returns with the latent common factors. I estimate versions of the benchmark Fama-French models between 3 to 5 factors. The versions of the IPCA models use between 3 and 6 factors and use 10 characteristics. The sample covers all stocks in the XUTUM Index and the sample period includes forecasts between 2010 and 2022. Using a panel data of 252 firms listed in the Borsa Istanbul XUTUM Index and I analyze the comparative performance of the IPCA and Fama-French models. More specifically, I look at the in sample and out of sample performances of the models by comparing the realized and predicted series of returns for each individual stock. I find that the IPCA model significantly outperforms the Fama-French model by obtaining significantly higher out of sample R-squared levels and correlation of return forecasts and realized returns. The performance difference between Fama-French and IPCA models is more pronounced in the Turkish stock market compared to results of (Kelly, Pruitt and Su 2018) for the US stock market. Therefore, my results imply that the use of asset pricing models based on machine learning techniques may provide better results in emerging stock markets.

Bu çalışmada, İstanbul Menkul Kıymetler Borsası'nda (Borsa İstanbul) işlem gören Türk hisse senetlerinin hisse senedi getirilerini tahmin etmek için makine öğrenimi yöntemleri karşılaştırılmıştır. Ana makine öğrenimi modeli olarak Enstrümanlı Temel Bileşen Analizini (IPCA) ve kıyaslama modeli olarak Fama-French Faktör Modelini kullanılmıştır. IPCA modeli, model içinde tahmin edilen gözlemlenebilir stok düzeyi ve firma düzeyi özellikleri ve gizli ortak faktörlere dayalı olarak stok düzeyinde beklenen getirileri üretir. Modelde stok düzeyi özellikleri faktör betalarını, yani hisse senedi getirilerinin gizli ortak faktörlerle kovaryanslarını belirler. Hisse senedi tahmini karşılaştırmalı analizi için 3 ila 5 faktör Fama-French modelleri kullanılmıştır. IPCA modelinde 3 ila 6 faktör kullanılmış ve 10 karakteristik kullanır. Örneklem, BIST TUM Endeksindeki tüm hisse senetlerini kapsıyor ve örnekleme dönemi, 2010 ile 2022 arasındaki tahminleri içeriyor. Borsa İstanbul BIST TUM Endeksi'nde yer alan 252 firmanın panel verilerini kullanarak IPCA ve Fama-French modellerinin karşılaştırmalı performansları analiz edilmiştir. Daha spesifik olarak, her bir hisse senedinin gerçekleşen ve tahmin edilen seri getirilerini karşılaştırarak modellerin örnek içi ve örnek dışı performanslarına bakılmıştır. IPCA modelinin, örnek R-kare düzeylerinden ve getiri tahminleri ile gerçekleşen getirilerin korelasyonundan önemli ölçüde daha yüksek elde ederek Fama-French modelinden önemli ölçüde daha iyi performans gösterdiğini bulunmuştur. Fama-French ve IPCA modelleri arasındaki performans farkı, ABD borsası için (Kelly, Pruitt and Su 2018) sonuçlarına kıyasla Türkiye borsasında daha belirgindir. Bu nedenle, sonuçlarım, makine öğrenimi tekniklerine dayalı varlık fiyatlandırma modellerinin kullanımının gelişmekte olan ülke borsalarında daha iyi sonuçlar sağlayabileceğini ima ediyor.