Geri Dön

Makine öğrenmesi yöntemleri ile hisse senedi seçimi ve finansal değişkenlerin rolü

Stock selection with machine learning methods and the role of financial variables

  1. Tez No: 968601
  2. Yazar: TANER ANT
  3. Danışmanlar: DOÇ. DR. ESİN KÖKSAL BABACAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 66

Özet

Bu çalışmada, makine öğrenmesi yöntemleri kullanılarak hisse senedi getirilerinin tahmin edilmesi ve finansal değişkenlerin bu tahminlerdeki rolünün incelenmesi amaçlanmıştır. Çalışma kapsamında Rastgele Orman, XGBoost, LightGBM ve SVR (Destek Vektör Regresyonu) modelleriyle çeyreklik getiri tahminleri yapılmış, pencere genişliği (expanding window) yöntemiyle zaman serisi analizi gerçekleştirilmiştir. 10 yıllık veriler kullanılarak hisse senetlerinin çeyreklik getirileri tahmin edilmiştir. Finansal değişkenler (fiyat/kazanç oranı, borç/özsermaye vb.) modellere girdi olarak eklenmiştir. İlk yıllardan başlayarak her çeyrekte model eğitilmiş ve bir sonraki çeyreğin getirisi tahmin edilmiştir. Her çeyrekte en yüksek getiri potansiyeli olan ilk 10 hisse senedi seçilmiş ve bu hisselerin performansı izlenmiştir. 2024-2025 dönemi için modellerin önerdiği ilk 10 hisse senedinden bir portföy oluşturulmuş ve bu portföyün performansı NASDAQ 100 endeksi ile karşılaştırılmıştır. Portföy getirileri, pasif bir yatırım stratejisine göre değerlendirilmiştir. Modellerin tahminlerinde en etkili olan finansal değişkenler belirlenmiştir. En etkili on değişken analiz edilerek, hangi faktörlerin hisse getirilerini daha fazla etkilediği yorumlanmıştır.

Özet (Çeviri)

This study aims to predict stock returns using machine learning methods and examine the role of financial variables in these predictions. Within the scope of the study, quarterly return forecasts were made using Decision Trees, XGBoost, LightGBM, and SVR (Support Vector Regression), and time series analysis was conducted using the expanding window method. The quarterly returns of stocks were predicted using data from the last 10 years. Financial variables (e.g., price-to-earnings ratio, debt-to-equity ratio, etc.) were included as inputs in the models.. Beginning with the earliest years, the models were retrained in each quarter to forecast the return for the subsequent quarter. In each period, the top 10 stocks with the highest predicted return potential were selected, and the performance of these stocks was tracked. For the 2024–2025 period, a portfolio was constructed from the top 10 stocks recommended by the models, and its performance was compared to that of the NASDAQ 100 index. The portfolio returns were evaluated relative to a passive investment strategy. Furthermore, the most influential financial variables in the models' predictions were identified. The top ten variables were analyzed in detail to interpret which financial factors had the greatest impact on stock returns.

Benzer Tezler

  1. Tez No

    895348

    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

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  2. Tez No

    899348

    Temel ve teknik analize dayalı makine öğrenmesi ile hisse senedi fiyat tahmini: Rastgele orman sınıflandırması yaklaşımı

    Stock price prediction with machine learning based on fundamental and technical analysis: Random forest classification approach

    DENİZ KAVUK SALIŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiGebze Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMED BURAK PAÇ

  3. Tez No

    955405

    XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms

    Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu

    MELİS KÜÇÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  4. Tez No

    919539

    Nasdaq borsasındaki hisse senedi fiyatlarının zaman serisi tahmini

    Time series forecasting of stock prices on the Nasdaq stockmarket

    ÖZGÜR HASAN AYTAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiEskişehir Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA KAMIŞLI ÖZTÜRK

  5. Tez No

    768994

    Hisse senedi fiyatlarının tahmini için bir makine öğrenmesi çerçevesinin geliştirilmesi

    Developing a machine learning framework for stock price prediction

    BERKE EGE ERSAYAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT OSMAN ÜNALIR

Geri Dön