Yapay zeka alt dalları ve uygulama alanları: BIST 100 tahmini için geleneksel ve yapay zeka yöntemlerine uygulanabilir üç katmanlı zenginleştirici bir yapay öğrenme katmanı–TriNet-Fin
Artificial intelligence subfields and application domains: A three-layered enriching artificial learning architecture for BIST 100 forecasting via traditional and AI-based methods–TriNet-Fin
- Tez No: 975669
- Danışmanlar: PROF. DR. AYŞE DURGUN KAYGISIZ
- Tez Türü: Doktora
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Derin öğrenme, Deep learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Finansal zaman serileri, doğaları gereği yüksek oynaklık, doğrusal olmayan örüntüler ve ani rejim geçişleri gibi karmaşık özellikler taşımakta; bu durum, bu serilerin doğru biçimde modellenmesini ve öngörülmesini literatürdeki en güç problemlerden biri haline getirmektedir. Bu bağlamda, geleneksel ekonometrik yöntemlerin yapısal kısıtları ile saf yapay zekâ modellerinin bağlamsal bilgi eksiklikleri, genelleme kabiliyetlerini sınırlamakta ve tahmin performanslarını zayıflatmaktadır. Bu çalışmanın amacı, finansal zaman serilerindeki karmaşık yapıları daha doğru öngörebilmek adına, TriNet-Fin adlı çok katmanlı bir hibrit yapay zekâ öğrenme yapısı geliştirerek bu yapının, geleneksel ve yapay zekâ tabanlı yöntemlerle karşılaştırmalı biçimde tahmin performansını ölçmektir. Geliştirilen yapı, geleneksel zaman serisi yöntemlerinden Vektör Otoregresif Modeli (VAR), Vektör Hata Düzeltme Modeli (VECM). Mevsimsel Arima (SARIMAX) ve Kalman Filtresi yöntemleri ile yapay zekâ tabanlı Uzun Kısa Süreli Bellek Ağı (LSTM), Çok Katmanlı Algılayıcı (MLP), İki Boyutlu Evrişimli Sinir Ağı (2D-CNN), Kapı Kontrollü Tekrarlayan Birim (GRU) ve Temel Tekrarlayan Sinir Ağı (Vanilla RNN) modelleriyle hem saf halleri hem de TriNet-Fin yapısıyla entegre edilmiş yapıyla performansları değerlendirilmiştir. Modeller, 2002–2024 dönemine ait günlük frekanstaki veriler üzerinden analiz edilmiştir. Bu kapsamda bağımlı değişken olarak BIST 100 endeksi; bağımsız değişkenler olarak ise faiz oranı (TLREF), döviz kuru (USD/TRY), ülke risk primi (CDS), altın ons fiyatı (USD), Brent petrol, VIX endeksi, NASDAQ ve S&P500 endeksleri kullanılmıştır. Model performansları, test seti üzerinde Hata Kareler Ortalaması (MSE), Düzeltilmiş R² (Adj. R²) ve Doğruluk (Accuracy) metrikleriyle değerlendirilmiştir. Elde edilen ampirik bulgular, tüm saf modellerin test verisi üzerinde yüksek hata ve düşük R² sonuçlarıyla genelleme başarısızlığı yaşadığını; buna karşın TriNet-Fin destekli hibrit modellerin yüksek pozitif (Adj R²> 0.70), düşük MSE ve %97'nin üzerinde doğruluk oranları ile başarılı ve güvenilir tahminler sunduğunu ortaya koymuştur. Bu sonuçlar, tekil yöntemlerin sınırlılıklarını aşmak adına çok katmanlı ve bağlamsal bilgiyle zenginleştirilmiş hibrit yapının finansal öngörüde belirleyici olduğunu göstermektedir. Bu öğrenme yapısı, literatüre metodolojik katkı sağlamayı ve uygulayıcılar için daha güvenilir bir karar destek çerçevesi sunmayı hedeflemektedir.
Özet (Çeviri)
Financial time series have complex features such as high volatility, non-linear patterns, and sudden changes in trends. These characteristics make it very difficult to model and predict them correctly. In this context, traditional econometric models have structural limitations in capturing these dynamics, while pure artificial intelligence models often lack contextual information. This reduces their ability to generalize and weakens their prediction performance. The aim of this study is to develop a multi-layered hybrid artificial intelligence learning structure, named TriNet-Fin, to better predict the complex structures in financial time series, and to evaluate the forecasting performance of this structure in comparison with both traditional and AI-based approaches. The proposed model is tested against traditional time series models such as Vector Autoregression (VAR), Vector Error Correction Model (VECM), Seasonal ARIMA with exogenous variables (SARIMAX), and the Kalman Filter; as well as artificial intelligence models including Long Short-Term Memory (LSTM), Multi-Layer Perceptron (MLP), Two-Dimensional Convolutional Neural Network (2D-CNN), Gated Recurrent Unit (GRU), and Vanilla Recurrent Neural Network (Vanilla RNN). The performance of these models is evaluated both in their original forms and in hybrid form integrated with the TriNet-Fin architecture. The models were analyzed using daily data from the period 2002 to 2024. In this context, the dependent variable is the BIST 100 index, while the independent variables include interest rate (TLREF), exchange rate (USD/TRY), Credit default swap (CDS), gold ounce price (USD), Brent oil, VIX index, NASDAQ, and S&P500 indices. Model performances were evaluated on the test set using Mean Squared Error (MSE), Adjusted R², and Accuracy metrics. The empirical findings show that all pure models produced high errors and low R² values on the test data, indicating a failure in generalization. In contrast, the hybrid models supported by TriNet-Fin achieved high positive R² (Adj. R² > 0.70), low MSE, and over 97% accuracy, providing successful and reliable forecasts. These results demonstrate that a multi-layered hybrid structure enriched with contextual information plays a decisive role in financial forecasting by overcoming the limitations of individual methods. This learning structure aims to provide a methodological contribution to the literature and to offer a more reliable decision support framework for practitioners.
Benzer Tezler
- Artificial intelligence applications on urban quality: Hamburg and İzmir cases
Kentsel kalı̇te üzerı̇ne yapay zeka uygulamaları: Hamburg ve İzmı̇r örneklerı̇
ZEYNEP CEYDA ERCAN
Yüksek Lisans
İngilizce
2024
Mimarlıkİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DOÇ. DR. NESİP ÖMER EREM
DR. AYŞE GLASS
- A conceptual model for image recognition based progress monitoring: retail construction and finishing works
Görüntü tanıma tabanlı ilerleme takibi için kavramsal bir model: perakende inşaat ve ince yapı işleri
SALİH KAAN MAZLUM
Doktora
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. BEGÜM SERTYEŞİLIŞIK
- İşletmecilikte yapay zeka kullanımı ve bir uygulama geliştirme
Başlık çevirisi yok
TURAN MOLA
Yüksek Lisans
Türkçe
1994
İşletmeİstanbul ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. DURMUŞ DÜNDAR
- Öğretmenler için yapay zeka farkındalık düzeyi ölçeği: Güvenilirlik ve geçerlilik çalışması
An artificial intelligence awareness level scale for teachers: A reliability and validity study
DEREN FERİKOĞLU
Yüksek Lisans
Türkçe
2021
Eğitim ve ÖğretimBahçeşehir ÜniversitesiEğitim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERGÜN AKGÜN