Hisse senedi fiyat tahmini ve portföy optimizasyonunda yapay zekâya dayalı hibrit bir yaklaşım: Borsa İstanbul'da bir uygulama
A hybrid artificial intelligence - based approach to stock price prediction and portfolio optimization: A case study on Borsa İstanbul
- Tez No: 947398
- Danışmanlar: DOÇ. DR. ENGİN ÇAKIR
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Aydın Adnan Menderes Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 200
Özet
Günümüzde küreselleşme ve dijital dönüşüm süreçleri, finansal piyasalardaki volatiliteyi artırmakta ve yatırımcıların doğru kararlar alabilmesi için geleneksel finans teorilerinin ötesinde veri odaklı yaklaşımlara ihtiyaç duyulmaktadır. Bu bağlamda, çalışma kapsamında Borsa İstanbul BIST 30 endeksinde işlem gören hisse senetlerinin geçmiş verileri analiz edilerek fiyat tahminleri yapılmış ve optimal portföy kompozisyonu belirlenmiştir. Çalışmanın ilk aşamasında, Rastgele orman algoritması, Ekstrem Gradyan Artırma, Destek Vektör Regresyon ve Uzun Kısa Dönemli Bellek olmak üzere dört farklı model kullanılarak hisse senedi fiyatlarının tahmini gerçekleştirilmiş ve modelin başarısı hata metrikleri ile değerlendirilmiştir. Yapılan analizler sonucunda, Rastgele orman algoritması diğer tekniklere kıyasla daha yüksek doğruluk oranlarına ulaştığını göstermiştir. Hisse bazında gerçekleştirilen analizlerde de AEFES.IS, ASELS.IS ve THYAO.IS gibi bazı pay senetlerinde yüksek öngörü başarısı dikkat çekmiştir. Çalışmanın ikinci aşamasında, yatırımcılar için en uygun portföy kompozisyonunu belirlemek amacıyla Tabu Arama Algoritması kullanılmıştır. Elde edilen sonuçlar, yatırımcıların risk-getiri tercihlerine uygun şekilde maksimum getiri ve minimum risk hedeflerine ulaşmalarını sağlayacak portföy kompozisyonlarının başarıyla kurgulandığını göstermektedir. Özellikle ASELS.IS, BIMAS.IS, EREGL.IS ve SISE.IS gibi düşük risk profiliyle öne çıkan varlıkların optimum portföyde ağırlık kazandığı tespit edilmiştir. Geleneksel portföy optimizasyonu yaklaşımlarının aksine, yapay zekâ tabanlı optimizasyon yöntemleri, piyasa verilerinin doğrusal olmayan ilişkilerini daha iyi modelleyerek yatırımcılar için daha etkin stratejiler sunmaktadır. Elde edilen bulgular, yapay zekâ ve optimizasyon algoritmalarının finansal piyasalardaki karar alma süreçlerini önemli ölçüde iyileştirdiğini ve yatırım risklerini minimize ederken getiri potansiyelini artırdığını göstermektedir. Çalışma, yatırımcıların daha bilinçli ve veri temelli kararlar almasını sağlamanın yanı sıra, finans literatürüne de önemli katkılar sunmaktadır. Yapay zekâ tabanlı finansal analizlerin yaygınlaşması, piyasaların daha öngörülebilir hale gelmesini sağlayarak yatırımcıların volatil piyasa koşullarına daha esnek ve bilinçli bir şekilde uyum sağlamasına olanak tanıyacaktır. Bu araştırma, yapay zekânın finansal piyasalardaki rolünü daha iyi anlamak ve yatırım kararlarının doğruluğunu artırmak isteyen akademisyenler, analistler ve yatırımcılar için önemli bir kaynak niteliği taşımaktadır. Gelecekte, derin öğrenme ve hibrit optimizasyon modellerinin finansal piyasalarda nasıl daha etkin kullanılabileceğini araştıran çalışmaların finansal karar alma süreçlerine daha fazla katkı sunacağı öngörülmektedir. Bu doğrultuda, yapay zekâ ve veri analitiği tekniklerinin finans sektörüne entegrasyonu, modern yatırım stratejilerinin temel unsurlarından biri haline gelmeye devam edecektir.
Özet (Çeviri)
In today's world, globalization and digital transformation processes are increasing volatility in financial markets, necessitating data-driven approaches that go beyond traditional financial theories to enable investors to make informed decisions. In this context, this study analyzes historical data from stocks listed on the Borsa Istanbul BIST 30 index to generate price forecasts and determine an optimal portfolio composition. In the first phase of the study, four different models—Random Forest, Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), and Long Short-Term Memory (LSTM)—were employed to predict stock prices, and their performances were evaluated using error metrics. The analysis revealed that the Random Forest algorithm outperformed the other techniques, achieving higher accuracy rates. Notably, stocks such as AEFES.IS, ASELS.IS, and THYAO.IS demonstrated particularly high prediction performance in the stock-specific analyses. In the first phase of the study, four different models—Random Forest, Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), and Long Short-Term Memory (LSTM)—were employed to predict stock prices, and their performances were evaluated using error metrics. The analysis revealed that the Random Forest algorithm outperformed the other techniques, achieving higher accuracy rates. Notably, stocks such as AEFES.IS, ASELS.IS, and THYAO.IS demonstrated particularly high prediction performance in the stock-specific analyses. The findings indicate that artificial intelligence and optimization algorithms significantly enhance decision-making processes in financial markets by minimizing investment risks and maximizing return potential. In addition to enabling investors to make more informed and data-driven decisions, this study makes a valuable contribution to the financial literature. The increasing adoption of AI-based financial analysis is expected to improve market predictability and allow investors to adapt more flexibly and consciously to volatile market conditions. This research serves as an important resource for academics, analysts, and investors who seek to better understand the role of artificial intelligence in financial markets and improve the accuracy of investment decisions. Looking ahead, studies that explore how deep learning and hybrid optimization models can be more effectively applied in financial markets are anticipated to further enhance financial decision-making processes. In this direction, the integration of artificial intelligence and data analytics techniques into the financial sector will continue to be a fundamental component of modern investment strategies.
Benzer Tezler
- Sentiment analysis model proposal with deep learning techniques on big data: Portfolio selection with the help of industry indicators
Büyük veri üzerinde derin öğrenme teknikleri ile duygu analizi model önerisi: Sektör göstergeleri yardımıyla portföy seçimi
MAHMUT SAMİ SİVRİ
Doktora
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- İslami fintech uygulamaları ve makine öğrenmesi yöntemleri ileportföy optimizasyonu
Islamic fintech applications and portfolio optimization usingmachine learning methods
GÖKMEN KILIÇ
- Pörtföy yönetimi ve hisse senedi seçiminde bir karar destek sistemi
A decision support system at portfolio management and selection for stoks
MESUT CEMİL İŞLER
Yüksek Lisans
Türkçe
2004
Endüstri ve Endüstri MühendisliğiKırıkkale ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. AHMET KÜRŞAD TÜRKER
- Stock trend prediction and portfolio optimization
Hisse senedi trend tahmini ve portfoy optimizasyonu
DENİZ PEKŞEN
Yüksek Lisans
İngilizce
2022
EkonomiÖzyeğin ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. OKAN ÖRSAN ÖZENER
- Network analysis of co-search-based investor attention on stock prices
Ortak arama tabanlı yatırımcı dikkatinin hisse senedi fiyatları üzerindeki ağ analizi
MÜGE ÖZDEMİR
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. OKTAY TAŞ