Borsa Tahmininde Yeni Nesil Yaklaşım: Makine Öğrenmesi ve LSTM Modelleri

Borsa İstanbul’dan Nasdaq’a kadar finansal piyasalar, 2000 yılı aşkın köklü bir geçmişe ve bitmek bilmeyen bir “kazanma arzusuna” dayanır. Günümüzde bu devasa veri yığınını anlamlandırmak ve gelecekteki fiyat hareketlerini kestirmek için geleneksel yöntemlerin ötesine geçiyoruz. Peki, yapay zeka ve makine öğrenmesi borsa tahmininde ne kadar başarılı?

Analiz Dünyasında Bir Yolculuk: Temel mi, Teknik mi?

Yatırımcılar yıllardır iki ana kutba ayrılmış durumda: Temel analiz ile şirketin içsel değerini, ekonomik göstergeleri ve sektör durumunu inceleyenler; teknik analiz ile grafikler, formasyonlar ve matematiksel göstergeler üzerinden arz-talep dengesini okuyanlar. Ancak akademik dünyada tartışılan “Rassal Yürüyüş Hipotezi”, fiyatların geçmişten bağımsız ve tesadüfi olduğunu savunarak bu tahminleri zorlaştırır.

İşte tam bu noktada, insan beyninin işlem kapasitesini aşan verileri yorulmadan işleyebilen Yapay Sinir Ağları (YSA) devreye giriyor.

Derin Öğrenmenin Gücü: LSTM Mimarisi

Borsa verileri gibi zaman serilerini tahmin etmede en güçlü araçlardan biri Uzun-Kısa Süreli Bellek (LSTM) mimarisidir. LSTM’in en büyük farkı, geçmiş işlemleri “hatırlayabilmesi” ve veriler arasındaki zamansal ilişkileri eğitim sırasında öğrenebilmesidir.

Tez çalışmam kapsamında, BIST100, Nikkei 225 ve Nasdaq endekslerini kullanarak iki farklı model üzerinde derinlemesine bir test gerçekleştirdim:

1. Model 1: Açılış, en yüksek, en düşük ve kapanış (OHLC) verilerine dayalı 3 günlük bir periyottan 4. günün yönünü tahmin etme.
2. Model 2: Sadece kapanış değerlerine odaklanarak, geçmiş 7 günlük veri ile 8. günün kapanış fiyatını öngörme.

Sonuçlar Ne Söylüyor?

Yaptığım testler oldukça çarpıcı sonuçlar ortaya koydu:

• Model 1'de başarı oranı maalesef %60'ın üzerine çıkamadı. Bu durum, borsa verilerinin karmaşık yapısı ve yön tahmininin zorluğunu bir kez daha kanıtladı.
• Ancak Model 2, özellikle BIST100 ve Nasdaq endekslerinde %90’ın üzerinde bir başarı oranı yakalayarak finansal piyasalar için oldukça kabul edilebilir sonuçlar verdi.
• İlginç bir bulgu olarak; Nasdaq gibi işlem hacmi çok yüksek ve daha oturmuş piyasalarda modelin başarısının, sığ ve spekülatif hareketlere daha açık piyasalara göre daha istikrarlı olduğu görüldü.

Sonuç: Gelecek Yapay Zekada mı?

Makine öğrenmesi modelleri tek başına bir “sihirli değnek” değildir; ancak teknik analizi temel analizle desteklemek ve bu modelleri optimize etmek başarı şansını ciddi oranda artırır. Borsa fiyatlarını belirleyen şey nihayetinde insan duyguları ve beklentileri olsa da, bu karmaşayı anlamlandırmada yapay zeka en güçlü yardımcımız olmaya aday.

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

https://drive.google.com/file/d/1D1d_m2mRJkYOB5s6VWpmOxWCmul5Q4uy/view?usp=sharing

Tez çalışmamın tamamına ve teknik detaylara aşağıdaki linkten ulaşabilirsiniz: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=S2eMu1TIwY_v4mYv58xAr5oGxxeUN80aHYa5JD2Pxkf84-9PVC4IwuEV3_KIcp3T

https://www.academia.edu/165527877/FEN_B%C4%B0L%C4%B0MLER%C4%B0_ENST%C4%B0T%C3%9CS%C3%9C_BORSA_VER%C4%B0LER%C4%B0N%C4%B0NMAK%C4%B0NE%C3%96%C4%9ERENMES%C4%B0Y%C3%96NTEMLER%C4%B0%C4%B0LE_TAHM%C4%B0NED%C4%B0LMES%C4%B0%C4%B0brahim_TUNA

Borsa verilerinin makine öğrenmesi yöntemleri ile tahmin edilmesi / Forecasting exchange data with machine learning methods Yazar: İBRAHİM TUNA Danışman: DOÇ. DR. MUSTAFA CEM KASAPBAŞI

İSTANBUL TİCARET ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Borsa = Stock exchange ; Finansal analiz = Financial analysis ; Makine öğrenmesi = Machine learning ; Makine öğrenmesi yöntemleri = Machine learning methods ; Yapay sinir ağları = Artificial neural networks ; Yapay zeka = Artificial intelligence Tez No : 835640

Anahtar Kelimeler: #Borsa #YapayZeka #MakineÖğrenmesi #LSTM #Finans #BIST100 #VeriBilimi