Geri Dön

Makine öğrenmesi yöntemleri ve zaman serisi algoritmalarının karşılaştırılması: BİST Temettü 25

Comparison of machine learning methods and time series algorithms: BIST Dividend 25

PDF İndir

  1. Tez No: 954507
  2. Yazar: HAKAN KAYA
  3. Danışmanlar: PROF. DR. HALİT TARGAN ÜNAL
  4. Tez Türü: Doktora
  5. Konular: Bankacılık, Banking
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Okan Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bankacılık Ana Bilim Dalı
  12. Bilim Dalı: Bankacılık Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    588894

    A quantitative comparison of regression models on timely evolving datasets

    Zamanla değişen datalarda regresyon modellerinin nicel karşılaştırılması

    MİTHAT SİNAN ERGEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. KEZİBAN ORMAN

  2. Tez No

    1015525

    Seramik sektöründe faaliyet gösteren bir firma için makine öğrenmesi algoritmalarına dayalı satış tahmini çalışması

    A sales forecasting study based on machine learning algorithms for a company operating in the ceramic industry

    AHMET ÇAVUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Endüstri ve Endüstri MühendisliğiPamukkale Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. AŞKINER GÜNGÖR

  3. Tez No

    942802

    Forecasting of produced output electricity in photovoltaic power plants

    Foto-voltaik güç santrallarında elektrik üretim tahmini

    TARANEH SAADATI

    Doktora

    İngilizce

    İngilizce

    2025

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    DOÇ. DR. BURAK BARUTÇU

  4. Tez No

    634839

    Sales forecasting in fashion retail industry with classical and machine learning methods

    Moda perakendesi sektöründe klasik ve makine öğrenmesi metodları ile satış tahmini

    HANİFE IŞIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Ekonomiİstanbul Teknik Üniversitesi

    Ekonomi Ana Bilim Dalı

    DOÇ. DR. TOLGA YURET

  5. Tez No

    775453

    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

    İngilizce

    2022

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. CEYLAN YOZGATLIGİL

Geri Dön