Makine öğrenmesi yöntemleri ve zaman serisi algoritmalarının karşılaştırılması: BİST Temettü 25
Comparison of machine learning methods and time series algorithms: BIST Dividend 25
- Tez No: 954507
- Danışmanlar: PROF. DR. HALİT TARGAN ÜNAL
- Tez Türü: Doktora
- Konular: Bankacılık, Banking
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Okan Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bankacılık Ana Bilim Dalı
- Bilim Dalı: Bankacılık Bilim Dalı
- Sayfa Sayısı: 188
Özet
Bu tez çalışması, Borsa İstanbul (BİST) Temettü 25 Endeksi'nde bulunan şirketlerin hisse başına net temettü fiyatlarını tahmin etmek için makine öğrenimi yöntemleri ile zaman serisi algoritmalarının performansını karşılaştırmayı amaçlamaktadır. Bu çalışma, finansal teknolojilerin hızla ilerlediği bir dönemde yatırımcılara temettü odaklı yatırım stratejileri konusunda rehberlik etmeyi ve hangi tahmin modellerinin daha etkili sonuçlar doğurduğunu belirlemeyi hedeflemektedir. Bu bağlamda, Naif Yöntem, Basit Ortalama, Basit Hareketli Ortalama ve SARIMA gibi zaman serisi modellerinin yanı sıra Lojistik Regresyon, SVM, Naive Bayes, K-NN, Karar Ağaçları, LDA, AdaBoost, Gradient Boosting, Bagging, Random Forest ve MLP gibi makine öğrenmesi algoritmaları tercih edilmiştir. Araştırma, 2011 ile 2024 yılları arasında BİST Temettü 25 Endeksi'nde bulunan 25 şirketin hisse senedi fiyatlarını kapsayan 13 yıla ait bir veri seti üzerinde yapılmıştır. Tahmin modellerinin başarısı, RMSE (Hata Karelerinin Ortalamasının Karekökü) ve doğruluk (accuracy) gibi ölçütler aracılığıyla analiz edilmiştir. Sonuçlar, zaman serisi analizinde SARIMA modelinin ve makine öğrenimi yöntemleri arasında ise LDA, Random Forest ile Naive Bayes'in en düşük hata oranlarına sahip olduğunu ortaya koymuştur. Bu modeller, tahmin başarılarıyla dikkat çekmektedir. Ayrıca, genel olarak, makine öğrenimi modellerinin elde ettiği doğruluk değerlerinin zaman serisi modellerine kıyasla daha yüksek olduğu gözlemlenmiştir. Bu çalışma, temettü odaklı yatırımcılar ve yazılım şirketleri için ölçülebilir içgörüler sunan etkili tahmin modelleri sağlayarak hibrid modelleme ve sektörel analizler ile literatüre katkıda bulunmaktadır.
Özet (Çeviri)
The thesis objective of this study is to evaluate how machine learning approaches and time-series based algorithms in estimating the net dividend per share of companies for Borsa Istanbul (BIST) Dividend 25 Index. The purpose of the study is to aid investors employing a dividend investment policy in devising the most effective forecasting models during this era of advancing financial technologies. In this research scope, time series models including Naïve Method, Simple Average, Simple Moving Average, and SARIMA were implemented alongside machine learning algorithms of varying complexity such as Logistic Regression, SVM, Naïve Bayes, K-NN, Decision Trees, LDA, AdaBoost, Gradient Boosting, Bagging, MLP, and Random Forest. The analysis in this study was centered on the stock price data of 25 companies which constitute the BIST Dividend 25 Index covering the years 2011 to 2024, for a total of thirteen years. The study evaluated the performance of the different forecasting models using RMSE (root mean square error) and several other accuracy measures. The study found that among the time series approaches, SARIMA was the most accurate while among the machine learning approaches LDA, Random Forest and the Naïve Bayes models had the minimum error rates. Furthermore, the results indicated that machine learning models did outperform time series models in regards to the accuracy values but not significantly. This study pops up new in the literature by providing useful prediction modeling for investment-driven dividends for stock investors and software firms, alongside hybrid model suggestions and analyses based on sectors.
Benzer Tezler
- A quantitative comparison of regression models on timely evolving datasets
Zamanla değişen datalarda regresyon modellerinin nicel karşılaştırılması
MİTHAT SİNAN ERGEN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. KEZİBAN ORMAN
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- Modeling of the marine diesel engines with comparative machine learning methodologies
Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi
MEHMET İLTER ÖZMEN
Doktora
İngilizce
2024
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN AZMİ ÖZSOYSAL
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- The forecast performance of classical time series models and machine learning algorithms on bitcoin series using exogenous variables
Klasik zaman serisi modellerinin ve makine öğrenme algoritmalarının bitcoin serisi üzerinde dışsal değişkenler kullanarak öngörü performansları
SEVİLAY DOĞAN
Yüksek Lisans
İngilizce
2022
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. CEYLAN YOZGATLIGİL