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

PDF İndir

Tez No: 1021725
Yazar: MUSTAFA ENES KARAMAN
Danışmanlar: PROF. DR. ALP ÜSTÜNDAĞ
Tez Türü: Yüksek Lisans
Konular: Bilim ve Teknoloji, Science and Technology
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2026
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Büyük Veri ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
Sayfa Sayısı: Belirtilmemiş.

Özet

Finansal piyasalarda özellik mühendisliğinin otomasyonu, niceliksel finansın tarihsel olarak çözümsüz kalan temel problemlerinden birini oluşturmaktadır. Alanda çalışan pratisyenler, ham fiyat ve hacim verisinin önceden tanımlanmış matematiksel dönüşümlerine dayanan, elle hazırlanmış teknik gösterge kütüphanelerine uzun süredir güvenmektedir. Bu klasik yaklaşım yorumlanabilirlik ve teorik sağlamlık açısından değer taşısa da, içerdiği dönüşümler yazarların hayal gücüyle sınırlıdır ve değişen piyasa koşulları karşısında büyük ölçüde statik kalmaktadır. Bu tez, temelden farklı bir yaklaşım önermekte ve değerlendirmektedir: büyük dil modelleriyle desteklenen özerk bir çok etmenli sistem, özellik mühendisliğini sabit bir katalogdan seçim problemi olarak değil, sistematik bir keşif süreci olarak ele almakta; açılış-yüksek-düşük-kapanış-hacim verisinin özgün matematiksel dönüşümlerini otuz yinelemeli döngüde icat etmekte ve bunların öngörücü değerini kayan pencere örnek dışı testlerle ölçmektedir. Araştırma, ortak bir tahmin görevi üzerinde yapılandırılmış iki deneysel vakadan oluşmaktadır: ortalama günlük işlem hacmine göre seçilmiş yüksek likiditeli S&P 100 hisselerinin günlük açılış-kapanış fiyat yönü tahmini. Yüksek likiditenin tercih edilmesinin başlıca nedeni, bu tür varlıkların gün içi fiyat hareketlerinin daha belirgin olması ve veri kalitesi sorunlarına karşı daha az duyarlı bulunmasıdır. Tahmin hedefi ikili sınıflandırma olarak tanımlanmakta olup, ileriye dönük önyargıyı önlemek amacıyla tüm özellik değerleri bir işlem günü öne kaydırılmaktadır. Her özellik, altı aylık kayan pencereyle eğitilen ve ardından gelen ay üzerinde doğrulanan bir XGBoost ikili sınıflandırıcısıyla değerlendirilmekte; bu süreç on iki ardışık dönem ve tüm varlık evreni üzerinde tekrarlanmaktadır. Kayan pencere yaklaşımının seçilmesinin ardındaki temel gerekçe, modelin farklı piyasa rejimlerinde nasıl davrandığını anlamak ve performans değerlendirmesinin belirli bir zaman dilimine özgü koşullardan kaynaklanmamasını güvence altına almaktır. Birinci deneysel vaka, iki köklü kaynaktan derlenen kapsamlı bir teknik gösterge havuzuyla geleneksel referans noktasını oluşturmaktadır: Microsoft'un Qlib Alpha158 kütüphanesi ve Achelis'in A'dan Z'ye Teknik Analiz eseri. Bu göstergeler birlikte Trend, Momentum, Volatilite ve Hacim ailelerini kapsamaktadır. Söz konusu kaynakların tercih edilmesinin temel nedeni, her ikisinin de niceliksel araştırmada yaygın biçimde kullanılan ve matematiksel açıdan iyi tanımlanmış göstergeler sunmasıdır; bu özellik, sonuçların yorumlanabilirliği ve yeniden üretilebilirliği açısından önem taşımaktadır. Pearson korelasyonunu filtrelemesi ve yinelemeli XGBoost kazanım tabanlı elmayı birleştiren çok aşamalı bir boyut azaltma hattı, bu havuzu yüzde doksanın üzerinde bir oranla küçülterek sıkıştırılmış bir nihai sete indirgemektedir. Bu indirgeme süreci yalnızca teknik bir zorunluluk değil, aynı zamanda hangi gösterge türlerinin öngörücü açıdan hayatta kaldığını anlamak için de bilgilendirici bir analiz niteliği taşımaktadır. Hayatta kalan bu özellikler, ajansal sistemin karşılaştırılacağı referans özellik setini oluşturmaktadır. Referans sonuçları, dikkatli seçime tabi tutulmuş klasik teknik göstergelerin gerçek ama mütevazı bir öngörücü bilgi içerdiğini ortaya koymaktadır. Performans varlıklar ve dönemler genelinde tutarlı olmakla birlikte rastlantısal tahminin hemen üzerinde seyretmektedir; bu durum, finansal piyasalarda tahmin görevinin doğasında var olan zorluğu yansıtmaktadır. Artıklık eliminesinin ardından Volatilite özellikleri hayatta kalan en büyük kategoriyi oluştururken, Hacim Değişim Oranı göstergeleri bireysel performans sıralamasında belirgin biçimde öne çıkmaktadır. Bu bulgu, yüksek işlem hacmine sahip hisselerde hacim dinamiklerinin kısa vadeli fiyat yönü üzerindeki belirleyici rolüne işaret etmektedir. Bununla birlikte belirgin bir yönsel asimetri, referans noktasının temel yapısal sınırlaması olarak ortaya çıkmaktadır: model, aşağı yönlü hareketlere kıyasla yukarı yönlü hareketleri çok daha güvenilir biçimde tahmin etmekte ve kısa pozisyonlarda negatif ortalama getiri üretmektedir. Bu Uzun önyargısı, değerlendirme döneminin hâkim yükseliş karakterini ve klasik sinyallerle aşağı yönlü hareket tahmininin yapısal zorluğunu yansıtmakta; aynı zamanda ajansal sistemin aşması beklenen temel kıyaslamayı belirlemektedir. İkinci deneysel vaka, LangGraph'ın StateGraph yapısı kullanılarak uygulanan sekiz düğümlü bir çok etmenli çerçeveyi tanıtmaktadır. Özelleşmiş düğümler sırasıyla iş akışı yönlendirmesini, piyasa verisi alımını, özellik kodu sentezini, özgünlük doğrulamasını, tekilleştirmeyi, kod yürütmeyi, model eğitimini ve performans değerlendirmesini üstlenmektedir. Özellik Oluşturucu düğümü, yüksek örnekleme sıcaklığında çalışan büyük bir dil modeli aracılığıyla özgün OHLCV dönüşümlerini hesaplayan çalıştırılabilir Python kodu üretmektedir. Sistem otuz döngü boyunca yinelemeli olarak çalışmakta; önceki döngülerin performans geri bildirimi, sonraki döngülerin yaratıcı yönelimini şekillendirmektedir. Bu yinelemeli tasarım, sistemin yalnızca özellik üretmekle kalmayıp kendi geçmiş performansından öğrenerek zamanla daha bilgilendirilmiş bir arama stratejisi geliştirmesine olanak tanımakta ve bunu doğrudan çerçevenin mimari özüne yerleştirmektedir. Üretilen özellik havuzunun bütünlüğü, giderek derinleşen soyutlama düzeylerinde çalışan dört katmanlı bir tekilleştirme mekanizmasıyla güvence altına alınmaktadır: tam ad eşleştirmesi, söz dizimsel kılık değiştirmeyi tespit eden karma tabanlı karşılaştırma, büyük dil modeli destekli matematiksel özgünlük doğrulaması ve ifade uzayında anlamsal benzerlik analizi. Bu dört katmanlı yapı, mevcut literatürdeki pek çok otomasyon çerçevesinin yalnızca yüzeysel düzeyde kontrol ettiği artıklık sorununu daha derinlemeli biçimde ele almakta ve kabul edilen her özelliğin gerçek bir matematiksel katkı teşkil etmesini güvence altına almaktadır. Sistemin otuz döngü boyunca tanıdık özellik arketiplerine yakınsamasını önlemek amacıyla her üretim istemi, fraktal geometri, bilgi teorisi ve spektral analiz gibi geniş bir alandan rastgele seçilen matematiksel kavram tohumlarıyla beslenmektedir. Kademeli zorluk düzeyleri örnekleme sıcaklığını ve yenilik gereksinimlerini eş zamanlı olarak modüle etmekte; bu sayede sistemin geç döngülerde bile gerçekten yeni matematiksel bölgeler keşfetmeyi sürdürmesi sağlanmaktadır. Bu yaratıcılık geliştirme mekanizması, üretken yapay zekâ sistemlerinde sıkça gözlemlenen üretim çöküşü sorununa — sistemin zamanla tekrarlayan ve öngörülebilir çıktılar üretmeye başlaması durumuna — karşı geliştirilmiş yapısal bir yanıt niteliği taşımaktadır. Beş büyük dil modeli yapılandırması, diğer koşullar sabit tutularak Özellik Oluşturucu konumunda değerlendirilmektedir: ChatGPT 4o, ChatGPT 4o mini, ChatGPT 5, ChatGPT 5.2 ve Claude Opus 4.6. Bu yapılandırmaların yalnızca Özellik Oluşturucu konumunda değiştirilmesi ve altyapının sabit tutulması, gözlemlenen farklılıkların oluşturucu modelin doğasına atfedilmesini kolaylaştırmakta; diğer sistem bileşenlerinden kaynaklanan karıştırıcı etkileri büyük ölçüde devre dışı bırakmaktadır. Birden fazla yapılandırmada bağımsız olarak ortaya çıkan özellikleri kaldırmaya yönelik çapraz kaynak tekilleştirmesinin ardından, her yapılandırmanın en iyi özellikleri seçilerek Vaka 0 referans setiyle birleştirilen nihai karşılaştırmalı veri seti oluşturulmaktadır. Tüm özellikler özdeş koşullar altında değerlendirilmekte; böylece gözlemlenen farklılıkların metodolojik varyasyondan değil, üretilen özelliklerin kalitesinden kaynaklandığı güvence altına alınmaktadır. Beş büyük dil modeli yapılandırmasının tamamı, hem sınıflandırma doğruluğu hem de simüle edilmiş model getirisi açısından Vaka 0 referansını geride bırakmıştır; bu bulgu, ajansal özellik mühendisliğinin klasik teknik göstergelerden üstün öngörücü güce sahip özellikler ürettiği yönündeki temel hipotezi doğrulamaktadır. ChatGPT 4o, değerlendirme metriklerinin büyük bölümünde öne çıkmakta; hem en yüksek ortalama doğruluğu hem de en büyük ekonomik getirileri sunan özellikler üretmekte ve en iyi bireysel özelliği geleneksel kütüphanedeki her göstergeyi büyük bir farkla geride bırakmaktadır. ChatGPT 4o mini tüm yapılandırmalar arasında en dengeli yönsel profiliyle ikinci sıraya yerleşmektedir. Kalan yapılandırmalar sırasıyla azalan ama tutarlı olarak pozitif iyileştirmeler sunmaktadır. Dikkat çekici bir bulgu olarak ChatGPT 4o'nun daha yeni GPT versiyonlarını da geride bırakması, üretim bağlamı içindeki yaratıcı çeşitliliğin bu görevde ham model kapasitesi ve güncelliğinden daha belirleyici olabileceğini düşündürmektedir. Bu sonuç, büyük dil modellerinin niceliksel finans uygulamalarında değerlendirmesinde model büyüklüğünü tek ölçüt olarak alan yaklaşımları sorgulamakta ve üretken sistemlerin tasarımında çeşitlilik ile keşif kapasitesini ön plana çıkarmaktadır. Yapılandırmalar arasındaki performans farklılıkları yalnızca ortalama değerler düzeyinde değil, bireysel özellik dağılımları açısından da incelendiğinde ilgi çekici örüntüler ortaya çıkmaktadır. ChatGPT 4o, en geniş özellik kalitesi dağılımını sergilemekte; hem son derece güçlü bireysel özellikler hem de görece zayıf olanlar üretmektedir. Bu geniş dağılım, modelin yaratıcı çeşitlilik kapasitesinin bir yansıması olarak değerlendirilebilir: arama alanı geniş tutuldukça istisnai keşifler mümkün olmakta, ancak aynı genişlik kaçınılmaz olarak daha az başarılı denemeleri de beraberinde getirmektedir. Buna karşın ChatGPT 5 ve 5.2, çok daha sıkı kümelenmiş dağılımlar sergilemekte; tutarlı ama daha az farklılaşmış özellikler üretmektedir. Bu gözlem, özellik keşfi bağlamında üretken yapay zeka sistemlerinin tasarımı açısından önemli bir değiş tokuşa işaret etmektedir: yüksek ortalama tutarlılık ile aykırı değer üretme kapasitesi arasında bir denge kurulması gerekmekte ve hangi uç noktanın daha değerli olduğu nihai hedefin niteliğine göre farklılaşmaktadır. Tüm yapılandırmalarda sistematik bir Uzun önyargısı gözlemlenmekle birlikte şiddeti yapılandırmalar arasında belirgin biçimde farklılaşmaktadır. Claude Opus 4.6, yukarı yönlü hareket tahmininde güçlü bir performans sergilerken güvenilir kısa yönlü sinyaller üretememekte ve en belirgin yönsel dengesizliği ortaya koymaktadır. ChatGPT 4o mini ise en simetrik tahminleri sunan ve büyük dil modeli yapılandırmaları arasında en güçlü kısa yönlü performansı gösteren yapılandırma olarak öne çıkmaktadır. Bu bulgu, pratik ticaret stratejileri açısından önemli sonuçlar doğurmaktadır: yalnızca uzun pozisyonlara odaklanan stratejiler için neredeyse tüm yapılandırmalar kullanılabilirken, iki yönlü pozisyon almayı gerektiren stratejiler için yapılandırma seçimi kritik bir tasarım kararı haline gelmektedir. Momentum özellikleri tüm yapılandırmalarda üst sıralara hâkim olmakta ve özellik setinin en büyük payını oluşturmaktadır; bu durum, hisse senedi piyasalarındaki yerleşik momentum anomalisini bağımsız biçimde doğrulamakta ve üretken sistemin bu anomaliyi açık alan talimatı olmaksızın yeniden keşfetme kapasitesini göstermektedir. Farklı büyük dil modellerinin belirgin kategori tercihleri sergilemesi de dikkat çekmekte ve her modelin eğitim bilgisini nasıl farklı biçimlerde aktardığına işaret etmektedir. Çalışmanın temel sınırlamaları birkaç başlık altında ele alınabilir. Her şeyden önce, değerlendirme ağırlıklı olarak yükseliş eğilimli bir dönemde büyük ölçekli ABD hisse senetleriyle sınırlı kalmaktadır; bu durum, tespit edilen Uzun önyargısının bir bölümünün üretken yaklaşımın kendisinden değil yapısal piyasa koşullarından kaynaklanıyor olabileceğini düşündürmektedir. Farklı piyasa rejimlerinde — özellikle uzun süreli düşüş dönemlerinde veya yüksek volatilite ortamlarında — benzer bir çerçevenin nasıl davranacağı, ileriki çalışmalar için açık kalan önemli bir soru olarak durmaktadır. Öte yandan raporlanan getiriler işlem maliyetlerini, alım-satım farkını ve emir yürütme gecikmesini dışarıda bırakmaktadır; dolayısıyla bu değerler gerçekçi bir ticaret stratejisinde elde edilebilecek performansın üst sınırını temsil etmektedir. Son olarak, büyük dil modellerinin kara kutu niteliği, üretilen özelliklerin matematiksel gerekçesinin yalnızca modellerin sağladığı doğal dil açıklamaları kadar şeffaf olduğu anlamına gelmekte ve belirli matematiksel mekanizmalara resmi performans atamayı güçleştirmektedir. Bu şeffaflık eksikliği yalnızca akademik bir sınırlama değil, aynı zamanda gerçek dünya uygulamalarında model denetimi ve uyumluluk gereksinimleri açısından da pratik bir zorluk oluşturmaktadır. Gelecek araştırma yönleri açısından en doğrudan uzantı, özellik üretim sürecinin küratörlüğü yapılmış finansal alan literatürüyle temellendirilmesidir. Bu yaklaşım, büyük dil modelinin yalnızca genel eğitim bilgisine değil, belirli bir teknik analize veya akademik literatüre erişerek özellik üretmesini sağlayabilir ve böylece hem üretilen özelliklerin kalitesini hem de yorumlanabilirliğini artırabilir. Bunun yanı sıra geleneksel ve büyük dil modeli kaynaklı özellikleri bir arada kullanan topluluk stratejilerinin araştırılması, iki yaklaşımın tamamlayıcı güçlerini birleştirme potansiyeli taşımaktadır. Çerçevenin emtia, sabit gelir ve çapraz varlık uygulamalarına genişletilmesi ise hem sistemin genellenebilirliğini sınamak hem de teknik analizin daha az olgunlaşmış olduğu piyasalarda görece avantajın daha belirgin hale gelebileceğini araştırmak açısından değerli bir yön oluşturmaktadır.

Özet (Çeviri)

One of the biggest problems in quantitative finance is automating feature engineering. Traditional practitioners relied on curated libraries of carefully constructed technical indicators. These indicators are mathematical transformations of price and volume data. They have been refined over decades of market experience. Although traditional indicator sets are interpretable and grounded in theory, they are only as creative as their creators. Their dynamic-to-static nature provides insufficient flexibility to address the challenges posed by market conditions. This thesis proposes and evaluates a radically different approach. It introduces an autonomous multi-agent system powered by large language models. This solution reduces feature engineering to a generative discovery problem. New mathematical transforms of open-high-low-close-volume data can be systematically generated. The predictive power is validated through rolling-window out-of-sample testing. To illustrate the survey, the research is structured around two experimental cases regarding a common prediction task, namely predicting whether each S&P 100 equity, selected for their high mean daily trading volume, will move directionally open-to-close on any given day. The target to be predicted is therefore a binary classification problem, given the cross-section, with all features lagged by one trading day to remove look-ahead bias. Each feature is evaluated using an XGBoost classifier trained on a rolling six-month window and tested in the preceding month. The above process repeats for twelve consecutive periods and includes all assets within the specified universe. The first experimental case simply establishes a“traditional”baseline based on a complete set of technical indicators from the factored library in Microsoft Qlib Alpha158 and Achelis's Technical Analysis from A to Z. These indicators can take many forms, such as Trend, Momentum, Volatility and Volume. The analysis uses a multi-stage dimensionality reduction pipeline, consisting of Pearson correlation filtering and iterative gain-based elimination using XGBoost. This method substantially reduces the size of the initial indicator pool to less than ten percent of what it began with, keeping only the most relevant features for inclusion in the final set. These few chosen features are the basis for evaluating any agentic system. These baseline results confirm that classical technical indicators selected in a controlled way do have, albeit limited, predictive power. This performance holds true across many assets and time frames; however, it sits right at the edge of no better than chance. Interestingly, Volume Rate of Change indicators consistently rank at the very top, whilst Volatility features represent the most significant category after removing redundancy. However, a major directional asymmetry emerges as the core structural limitation, with much better reliability in the positive direction vs. the negative, and thus a negative mean return for shorts. This long bias not only stems from the evaluation period's bullish nature but also underscores the inherent difficulties in predicting downward moves using classical methods. As a result, it creates an important standard that the agentic system is meant to surpass. In the second experimental case, we introduce an eight-node multi-agent setting implemented with LangGraph's StateGraph. These specialized nodes handle unique tasks such as workflow routing, quote assignment, and market data retrieval, feature code synthesis, uniqueness checking, and deduplication of new features, execution of the code created in step 3 to generate signals/payment, as shown in steps 4 & 5, which are then trained with quotes for performance evaluation. This is an important difference, as the Feature Generator node uses a large language model with a higher sampling temperature to generate Python code that computes new OHLCV transformations. It runs in an iterative process over 30 loops, generating a candidate feature set at each iteration. This iterative approach allows the performance feedback of earlier loops to inform the creative direction of later ones. To ensure that the generated feature pool does not include duplicates, I employ a four-layer deduplication mechanism at increasingly deeper levels: exact-name matching; hash-based syntactic camouflage detection; LLM-powered mathematical uniqueness verification; and semantic similarity analysis in the expression space. Every generation prompt includes randomly chosen mathematical concepts sampled from a broad space of subject areas, including fractal geometry, information theory, and spectral analysis, so that the system does not hone in on familiar feature archetypes over successive iterations. This gradation of difficulty also applies to the sampling temperature and novelty requirements, meaning that the system is forced to explore genuinely new mathematical territory throughout later iterations. As the Feature Generator, five large language model configurations are evaluated under similar experimental conditions, testing with ChatGPT 4o (with and without its mini version), ChatGPT 5, ChatGPT 5.2, and Claude Opus 4.6. The cross-source deduplication step selects the features with the largest scores from each configuration, which are then combined with the Case 0 baseline set to provide results for comparative evaluation. All features are evaluated in the same environment to ensure that any discrepancies between types of features observed come from the quality of generated features and not variance in methodology. These configurations all improve upon the classification accuracy and simulated model return achieved by Case 0, confirming the main hypothesis of this thesis. ChatGPT 4o outperforms in the majority of evaluation metrics, producing features that yield the best mean accuracy and highest economic returns. The single best feature it produces reflects accuracy and return figures that far exceed those in the traditional library. ChatGPT 4o mini is hot on its heels, delivering the best directional profile across all configurations. The other configurations show gradual, but still positive, improvements over the baseline. Interestingly, ChatGPT 4o beats both of the latest GPT models, suggesting that creative diversity in the context of generation is more important than model size for this task. Although the magnitude varies, there is a systematic long bias across all configurations. Claude Opus 4.6 stands out for a strong directional bias toward upward predictions and weak performance in providing a reliable signal for short positions. Conversely, ChatGPT 4o mini provides the most balanced predictions and demonstrates the most powerful short-side performance across all LLM configurations. Meanwhile, momentum features are continually hailed as the best overall performers across the top-ranked models, corroborating the well-established fact that opinion is expressed in monetary investments through long or short signals, and that such a generative system overall provides such evidence without explicit domain guidance. Additionally, different models exhibit distinct preferences for categories, indicating substantial disparities in their use of training data. The main caveats of the study are that it examines large-cap U.S. equities in a generally bull market, has not accounted for transaction costs in the performance numbers, and that LLM reasoning is opaque, making formal attribution of predictive power to particular mathematical mechanisms difficult.

Benzer Tezler

Tez No
485238
Toplu deniz taşımacılığına yönelik değişik koşullardaki acil durum tahliye sürecinin modellenmesi, analizi ve planlanması
A methodological approach for modelling, analysis and planning of emergency evacuation process in public marine transportation systems
PEIMAN ALIPOUR SARVANI
Doktora
Türkçe
2017
Kazalar İstanbul Teknik Üniversitesi
Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
DOÇ. DR. EMRE ÇEVİKCAN
Tez No
983867
Makine öğrenmesi kullanılarak yanıltıcı haber ve ayrıştırıcı dil tespit algoritmaları geliştirilmesi
Developing fake news and hate speech detection algorithms using machine learning
FATİH SİNAN ESEN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Ankara Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN EMRAH
Tez No
1018231
Politika duyarlı text-to-SQL ajanının postgresql satır düzeyi güvenlik (RLS) ile uygulamalı değerlendirilmesi
Applied evaluation of the policy-sensitive text-to-SQL agent with postgresql row level security (RLS)
ALI ATIA ALI KOUNDI
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Sakarya Üniversitesi
Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
Tez No
972760
A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol İstanbul Teknik Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
Tez No
1019841
A large language model (LLM)-based framework for bid/no-bid decision support in construction public procurement: Validated on romanian tenders
İnşaat kamu ihalelerinde teklif verme / vermeme karar desteği için büyük dil modeli (LLM) tabanlı bir çerçeve: Romanya ihaleleri üzerinde doğrulama
ELİF GÜLİN PETEK
Yüksek Lisans
İngilizce
2026
İnşaat Mühendisliği İstanbul Teknik Üniversitesi
İnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR

Geri Dön