EKONOMİ HABERLERİNİN BİST 100 ENDEKSİNE ETKİSİNİN VERİ MADENCİLİĞİ İLE İNCELENMESİ

Abstract

Bu tez çalışmasında BİST 100 borsa endeksindeki değişimler ile ulusal bazda yayımlanan haberler arasında bir ilişki olup olmadığı araştırılmıştır. Bu doğrultuda Dünya Gazetesinin resmi internet sitesi üzerinden 01.04.216 - 01.10.2016 tarihlerinde yayınlanan ekonomi haberleri kullanılmıştır. Haber metinleri kullanılarak elde edilen veri setine metin madenciliği yöntemleri uygulanmıştır. Oluşturulan veri seti çok büyük olup üzerinde işlem yapmayı zorlaştırmasından dolayı veri seti üzerinde bazı işlemler yapılarak veri boyutu küçültülmüştür. Öznitelik vektörleri oluşturulduktan sonra sınıflandrma işlemine tabi tutulmuştur. Sınıflandırma işlemini yapmanın temel amacı kelimelerin hangi gruba ait olduğunu belirlemektir. Kelimeler pozitif, negatif ve nötr olmak üzere 3 etikete sahiptir. Oluşturulan veri setlerine makine öğrenme algoritamaları uygulanmıştır. Bu uygulamanın sonucunda kelimelere hangi gruba ait olduklarını gösteren etiketler atanmıştır. Bu etiketlendirme sonucunda kelimeler Tf – Idf ağırlıklandırma yöntemleri uygulanarak kelimelerin ağırlık tablosu oluşturulmuştur. Bu tablodaki değer ve etiketlere bakılarak piyasanın durumu karşılaştırılmıştır. Anahtar Kelimeler: BİST 100, Veri Madenciliği, Metin MadenciliğiIn this master thesis we tried to investigate whether there is a relationship between changes on BIST 100 Indeks and domestic news published on internet. In this dimension we use the news published on Dunya newspaper's web site between the 01.04.2016- 01.10.2016 dates. Data sets which obtained by using news text are reviewed with data mining. Because of huge amount of data sets, we reduced them to small size. Feature vectors are converted to appropriate form to process in. Then these feature vectors classified in. Basic aim of classification process is to determine the belonging groups of the words. Words have three labels positive, neutral, and negative. Machine leraning algorithism have been applied to generated clusters. At the end of this application labels have been assigned to the words to determine their belonging clusters. By applying the Tf-Idf weighting methods to the words, weighting tables of the words formed. By looking at values and impacts on this table market situation compared. Key Words: BIST 100, Data Mining, Text Mining