Finansal piyasalarda yapay zekâ uygulamaları: BIST 30 endeksinin LSTM ile tahmini
Application of artificial intelligence in financial markets
- Tez No: 980593
- Danışmanlar: DOÇ. DR. ULAŞ ÜNLÜ
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Banking
- Anahtar Kelimeler: Yapay Zekâ, Derin Öğrenme, LSTM, Finansal Piyasalar, Borsa İstanbul, Zaman Serisi Tahmini, Makine Öğrenmesi, Tahmin Modelleri, Artificial Intelligence, Deep Learning, LSTM, Financial Markets, Borsa Istanbul, Time Series Forecasting, Machine Learning, Forecast Models
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Finans ve Bankacılık Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, finansal piyasalarda yapay zekâ tabanlı yöntemlerin veriyle uygulama potansiyeli incelenmiş ve Borsa İstanbul 30 (BIST 30) endeksine ait 5 Ocak 1997 – 6 Eylül 2025 tarihleri arasındaki günlük kapanış verileri kullanılarak LSTM tabanlı bir tahmin modeli geliştirilmiştir. Çalışmanın amacı, geleneksel yöntemlerin yetersiz kaldığı piyasa tahmini süreçlerinde derin öğrenme tekniklerinin sunduğu avantajları ortaya koymaktır. Analizler, Python programlama dili kullanılarak Google Colab ortamında gerçekleştirilmiş; logaritmik getiri, hareketli ortalamalar (MA5, MA20), RSI14 ve volatilite (Vol20) göstergeleri modele giriş değişkeni olarak dahil edilmiştir. Veri seti %70 eğitim, %15 doğrulama ve %15 test olmak üzere üç alt kümeye ayrılmış; giriş değişkenleri StandardScaler, hedef değişken ise yalnızca eğitim setine göre fit edilen MinMaxScaler ile ölçeklendirilmiştir. LSTM(128) → Dropout(0.30) → LSTM(64) → Dense(32, ReLU) → Dense(1) mimarisiyle oluşturulan model, Adam optimizasyon algoritması ve MSE (Ortalama Kare Hata) kayıp fonksiyonu ile eğitilmiştir. Aşırı öğrenmeyi (overfitting) önlemek amacıyla EarlyStopping ve ReduceLROnPlateau stratejileri kullanılmıştır. Modelin performansı RMSE, MAE ve yön isabeti metrikleri ile değerlendirilmiş ve persistence yaklaşımı ile karşılaştırılmıştır. Sonuçlar, LSTM tabanlı modelin logaritmik getiri tahminlerinde düşük hata oranları ve yön tahminlerinde rekabetçi başarı düzeyine ulaştığını göstermektedir. Elde edilen bulgular, LSTM mimarisinin finansal zaman serilerinin tahmininde etkili bir yöntem olduğunu ortaya koymakta; derin öğrenme tekniklerinin finansal piyasalarda daha isabetli ve esnek tahminler için güçlü bir araç sunduğunu desteklemektedir. Gelecek çalışmalarda, farklı piyasa rejimlerini, makroekonomik göstergeleri ve haber akışlarını içeren daha kapsamlı veri setleriyle modelin performansının geliştirilmesi önerilmektedir.
Özet (Çeviri)
This thesis examines the potential of applying artificial intelligence systems methods to data in financial markets, and an LSTM-based forecasting model was created using daily maintenance data for the Borsa Istanbul 30 (BIST 30) index between January 5, 1997, and September 6, 2025. The study's methodology aims to utilize the data offered by deep learning techniques in market forecasting, where traditional methods are inadequate. Analyzes were conducted in the Google Colab environment using the Python programming language; logarithmic return, moving averages (MA5, MA20), RSI14, and volatility (Vol20) were included as input variables in the tracking model. The dataset was divided into three subsets: 70% training, 15% regularization, and 15% test. The input variables were scaled with StandardScaler, and the target variable was scaled with MinMaxScaler, which is tailored only to the training set. The model, with the LSTM(128) → Dropout(0.30) → LSTM(64) → Dense(32, ReLU) → Dense(1) architecture, was equipped with Adam aging light and MSE (Mean Square Error) loss functions. EarlyStopping and ReduceLROnPlateau methods were used to prevent overfitting. The model's performance was evaluated using RMSE, MAE, and directional accuracy metrics and compared with the persistence approach. The results demonstrate that the LSTM-based model achieves low error rates in logarithmic return forecasts and a high level of success in directional forecasts. The findings demonstrate that the LSTM architecture is an effective method for forecasting financial time series; deep learning techniques are supported by a powerful tool for more accurate and flexible forecasts in financial markets. This allows the model to be developed with more comprehensive datasets that include different market regimes, macroeconomic growth, and news sources in the future.
Benzer Tezler
- Machine learning applications for time series analysis
Zaman serileri analizi için makine öğrenmesi uygulamaları
MERT CAN
Yüksek Lisans
İngilizce
2024
İstatistikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Dijitalleşme, yapay zekâ ve muhasebe ilişkisinin incelenmesi
The examination of the relationship among digitalization, artificial intelligence and accounting
MURAT DUR
- Portföy yönetici görüşleri temelinde finansal piyasalarda manipülasyonlar üzerine nitel bir araştırma
A qualitative study on manipulations in financial markets based on portfolio manager opinions
EMRE MERT KADRON
Yüksek Lisans
Türkçe
2025
İşletmeManisa Celal Bayar Üniversitesiİşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BATUHAN FATİH MOLLAOĞULLARI
- AI and market efficiency: Enhancing predictive accuracy in financial markets
Yapay zeka ve piyasa etkinliği: Finansal piyasalarda tahmin doğruluğunun artırılması
FARKHAN DADASHOV
Yüksek Lisans
İngilizce
2026
Maliyeİstanbul Gelişim ÜniversitesiEkonomi ve Finans Ana Bilim Dalı
PROF. DR. MURAT AKKAYA