BİST piyasasında değer yatırımı stratejilerine makine öğrenmesi tekniklerinin uygulanması
Başlık çevirisi mevcut değil.
- Tez No: 1020835
- Danışmanlar: PROF. DR. AHMET METE ÇİLİNGİRTÜRK
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Borsa İstanbul'da işlem gören firmaların organik özkaynak büyümesinin dört çeyrek ileriye yönelik öngörüsünü ele almaktadır. Çalışma, literatürde sıklıkla kullanılan beş makine öğrenmesi modeli ile iki naif kıyaslama modelini karşılaştırarak bu modeller arasındaki farklılıkları analiz etmeyi amaçlamaktadır. Tezin teorik temelini değer yatırımı kuramı ve Ohlson temiz fazlalık çerçevesi oluşturmaktadır. Çalışmada LASSO, Ridge, Elastic Net, Rastgele Orman ve XGBoost yöntemleri kullanılmıştır. Veri seti, 2015-2022 dönemine ait, finansal sektör ile gayrimenkul yatırım ortaklıkları hariç tutulup eksik gözlemler elendikten sonra 208 imalat ve hizmet firmasına ait 5.470 firma-çeyrek gözlemden oluşmaktadır. Öngörü doğrulaması yürüyen pencere yöntemiyle dört ardışık zaman penceresinde gerçekleştirilmiştir. Bulgular, XGBoost modelinin en yüksek öngörü doğruluğu ile öne çıktığını göstermektedir. Naif Ortalama kıyaslamasına göre R² farkı 0,0795 düzeyinde olup istatistiksel olarak anlamlıdır. 2022 yüksek enflasyon dönemini öngören pencerede tüm makine öğrenmesi modelleri anlamlı şekilde üstün performans göstermiş, 2020 pandemi yılını öngören pencerede ise modeller naif kıyaslamadan üstünlük sağlayamamıştır. Diebold-Mariano, Clark-West, Driscoll-Kraay standart hataları, Hansen Üstün Öngörü Yeteneği ve bootstrap yöntemleriyle yapılan beş bağımsız istatistiksel test modeller arasındaki farkları doğrulamıştır. Shapley katma değerleri analizi, finansal kaldıraç, hasılat büyümesi ve özkaynak karlılığının en güçlü öngörü göstergeleri olduğunu tespit etmiştir. Sonuç olarak, makine öğrenmesi yöntemlerinin değer yatırımı stratejilerine Borsa İstanbul örnekleminde anlamlı katkı sağladığı, ancak yapısal kırılma dönemlerinde model performansının zayıfladığı görülmektedir. Bulgular, makine öğrenmesinin değer yatırımı uygulamalarındaki rolünün daha iyi anlaşılmasına katkı sunmaktadır.
Özet (Çeviri)
This study addresses the four-quarter-ahead prediction of organic equity growth for firms listed on Borsa Istanbul. Five machine learning models are compared with two naive benchmarks in terms of predictive performance. The theoretical foundation of the thesis is built on value investing theory and Ohlson's clean surplus framework. The study employs LASSO, Ridge, Elastic Net, Random Forest, and XGBoost methods. The dataset covers the 2015-2022 period and consists of 5,470 firm-quarter observations from 208 manufacturing and service firms. Predictive validation is conducted through the walk-forward method across four consecutive time windows. The findings show that the XGBoost model stands out with the highest prediction accuracy. Compared to the Naive Mean benchmark, the R² difference is 0.0795 and is statistically significant. In the window forecasting the 2022 high-inflation period, all machine learning models exhibit significantly superior performance, while in the window forecasting the 2020 pandemic year, the models fail to outperform the naive benchmark. Five independent statistical tests conducted using the Diebold-Mariano, Clark-West, Driscoll-Kraay standard errors, Hansen Superior Predictive Ability, and bootstrap methods confirm the differences between the models. Shapley additive explanations analysis identifies financial leverage, sales growth, and return on equity as the strongest predictive signals. In conclusion, machine learning methods are found to contribute meaningfully to value investing strategies in the Borsa Istanbul sample, although model performance weakens during periods of structural breaks. The findings contribute to a better understanding of the role of machine learning in value investing applications.
Benzer Tezler
- Predicting stock prices in bist: A reinforcement learning and sentimental analysis approach
Pekiştirmeli derin öğrenme ve duyarlılık analizi yaklaşımı ile bıstteki hisselerin fiyatlarının tahmin edilmesi
ŞEYMA EĞE
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve Veri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Predicting stock returns with macroeconomic indicators, & Google svi & news sentiment
Makroekonomik göstergeler & Google arama endeksi & haber duyarlılığı ile hisse senedi getiri tahmini
ZEKERİYA BİLDİK
Yüksek Lisans
İngilizce
2020
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. OKTAY TAŞ
- Sermaye piyasası likiditesi ile emtia vadeli işlem piyasaları arasındaki ilişkinin analizi
Analyzing the link between capital market liquidity and commodity futures markets
AHMET CAN DEĞER
- Borsa İstanbul'da piyasa çöküş olasılığının hisse senedi getirilerine etkisi
Impact of crash probability on stock returns in Borsa Istanbul
ASMA AIB
- High-frequency trading dynamics in Turkish index futures: A comprehensive analysis
Türk endeks vadeli işlem sözleşmelerinde yüksek frekanslı işlem dinamikleri üzerine kapsamlı bir analiz
ONUR OLGUN
Doktora
İngilizce
2025
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. CUMHUR ENİS EKİNCİ
