Hisse senedi fiyat tahmininde yinelemeli sinir ağı yaklaşımları ve hiperparametre optimizasyonu
Forecasting stock prices using recurrent neural network models and hyperparameter optimization
- Tez No: 1015583
- Danışmanlar: DR. ÖĞR. ÜYESİ EBUBEKİR SEYYARER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, finansal zaman serilerinin tahmini amacıyla Arçelik A.Ş. (ARCLK.IS) günlük hisse senedi verileri kullanılarak farklı makine öğrenmesi ve derin öğrenme yaklaşımlarının performansı karşılaştırmalı olarak incelenmiştir. Çalışma kapsamında Yinelemeli Sinir Ağı (Recurrent Neural Network – RNN) tabanlı modellerden Uzun Kısa Süreli Bellek (Long Short-Term Memory – LSTM) ve Geçitli Yinelemeli Birim (Gated Recurrent Unit – GRU) mimarileri ve Konvolüsyonel Sinir Ağı (Convolutional Neural Network – CNN) tabanlı hibrit modeller (CNN+LSTM, CNN+GRU) değerlendirilmiştir. Tezde, LSTM ve GRU tabanlı kodlayıcı (encoder) yapıları ile XGBoost ve CatBoost gibi ağaç tabanlı regresyon modellerinin birleştirildiği encoder–regresör mimarileri merkeze alınarak detaylı çalışmalar yapılmıştır. Böylece hem klasik yinelemeli sinir ağı yaklaşımları hem de derin öğrenme ile ağaç tabanlı yöntemlerin birleştirildiği hibrit modelleme stratejileri bütüncül bir çerçevede incelenmiştir. Deneysel çalışmalarda 17 özellikten oluşan temel veri seti başta olmak üzere farklı özellik kombinasyonlarını içeren alternatif veri setleri kullanılmıştır. Bu veri setleri teknik göstergeler, gecikmeli fiyat bileşenleri ve trend odaklı türev değişkenlerden oluşturularak modeller için zengin bir girdi yapısı sağlamıştır. Ayrıca seçilen modeller üzerinde Optuna çerçevesi kullanılarak hiperparametre optimizasyonu gerçekleştirilmiş ve optimizasyonun farklı model mimarileri ve veri yapıları üzerindeki etkisi sistematik olarak incelenmiştir. Elde edilen sonuçlar, hibrit mimarilerin başlangıçta orta düzey performans göstermesine rağmen hiperparametre optimizasyonu sonrasında önemli ölçüde iyileşebildiğini göstermektedir. LSTM ve GRU modelleri hem çok değişkenli hem de tek özellikli veri setlerinde istikrarlı ve rekabetçi performans sergilemiştir. Buna karşılık ağaç tabanlı modeller tek başına kullanıldığında daha sınırlı sonuçlar üretirken, derin öğrenme tabanlı encoder yapılarıyla hibrit olarak kullanıldıklarında ve uygun optimizasyon uygulandığında daha güçlü tahmin performansı elde edilebildiği gözlemlenmiştir. Genel olarak bulgular, hiperparametre optimizasyonunun etkinliğinin model mimarisi ve veri yapısına bağlı olduğunu göstermektedir. Çalışma, finansal zaman serisi tahmininde farklı modelleme yaklaşımlarının performansını karşılaştırmalı olarak ortaya koymakta ve yalın modeller ile hibrit mimarilerin hangi koşullarda daha avantajlı olabileceğine ilişkin önemli çıkarımlar sunmuştur.
Özet (Çeviri)
This thesis comparatively examines the performance of various machine learning and deep learning approaches for forecasting financial time series using the daily stock price data of Arçelik A.Ş. (ARCLK.IS). Recurrent Neural Network (RNN) models including Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) architectures, as well as Convolutional Neural Network (CNN)-based hybrid models (CNN+LSTM, CNN+GRU), were evaluated within the scope of the study, The thesis particularly focuses on encoder–regressor hybrid architectures that combine LSTM and GRU based encoder structures with tree-based regression models such as XGBoost and CatBoost, and detailed analyses were conducted on these architectures. In this way, both classical recurrent neural network approaches and hybrid modeling strategies that integrate deep learning with tree-based methods were examined within a comprehensive framework. In the experimental studies, several datasets with different feature compositions were used, including a primary dataset consisting of 17 engineered features. These datasets were constructed using technical indicators, lagged price components, and trend-oriented derived variables, providing a rich input structure for the models. In addition, hyperparameter optimization was performed using the Optuna framework, and the effects of optimization on different model architectures and dataset structures were systematically analyzed. The results indicate that hybrid architectures initially demonstrated moderate baseline performance but showed significant improvements after hyperparameter optimization. LSTM and GRU models exhibited stable and competitive performance across both multivariate and single-feature datasets. In contrast, tree-based models produced relatively limited performance when used individually; however, when combined with deep learning-based encoder structures and appropriate optimization strategies, they achieved stronger predictive performance. Overall, the findings suggest that the effectiveness of hyperparameter optimization depends on both model architecture and data structure. The study provides a comparative evaluation of different modeling approaches for financial time series forecasting and offers important insights into the conditions under which
Benzer Tezler
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Comparative analysis of LSTM model in predicting ETF stock prices for different sectors
Farklı sektörler için ETF fiyatları tahmininde LSTM modelinin karşılaştırmalı analizi
BURAK YÜKSEL
Yüksek Lisans
İngilizce
2024
EkonometriMarmara Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. ENGİN SORHUN
- An agent-based framework for systematic generative feature engineering in financial markets
Finansal piyasalarda sistematik üretici değişken mühendisliği için yapay zekâ ajanları temelli bir yaklaşım
MUSTAFA ENES KARAMAN
Yüksek Lisans
İngilizce
2026
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ALP ÜSTÜNDAĞ
- Hisse senedi fiyat tahmininde ekonometrik ve makine öğrenme yöntemlerinin karşılaştırılması: BIST bankacılık uygulaması
Comparison of econometric and machine learning methods in forecasting stock price: An application on BIST banking
KORAY YAPA
- Hisse Senedi Fiyat Tahmininde İstatiksel ve Yapay Zekâ Modellerinin Etkisi: Gerçek Zamanlı Veri Üzerine Bir İnceleme
The Effect of Statistical and Artificial Intelligence Models in Stock Price Forecasting: A Study on Real-Time Data
HÜSEYİN KARAKAŞ
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiBayburt ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇAĞATAY TEKE