BORSA İSTANBUL VERİLERİNİN YAPAY ZEKÂ İLE TAHMİNİ

Abstract

Finansal piyasalarda hisse senedi kapanış fiyatlarının doğru tahmini, serilerin volatil, doğrusal olmayan ve rejim değişimlerine açık yapısı nedeniyle güçtür; buna karşın risk yönetimi ve karar destek süreçleri açısından kritik öneme sahiptir. Bu tez çalışmasının amacı, Borsa İstanbul'da işlem gören THYAO, PGSUS, TAVHL ve ASELS paylarının günlük kapanış fiyatlarını farklı yapay zekâ temelli modellerle tahmin ederek performanslarını karşılaştırmalı biçimde incelemektir. Tezin hipotezleri; yapay zekâ tabanlı modellerin kapanış fiyatı tahmininde yüksek doğruluk sağlayabildiği, sıralı bağımlılıkları modelleyebilen tekrarlayan ağ tabanlı mimarilerin (RNN türevleri) temel ANN yaklaşımına kıyasla daha iyi ya da en azından benzer performans üretebildiğidir. Örneklem, seçili dört hissenin günlük fiyat serilerinden oluşmakta ve hisse bazında yaklaşık 3 bin ile 6 bin aralığında gözlem içermektedir. Yöntemde veri bölme işlemi kronolojik sıra korunarak yapılmış; girdiler 60 işlem günlük kaydırmalı pencere ile oluşturulmuş ve durağanlık sorununu azaltmak amacıyla hedef değişken logaritmik getiri olarak tanımlanmıştır. ANN/MLP, RNN, LSTM, BiLSTM, GRU ve hibrit derin öğrenme mimarileri (LSTM+GRU, CNN+LSTM, CNN+GRU) ile makine öğrenmesi yöntemleri (KNN, Random Forest, LightGBM, XGBoost) aynı test dönemi üzerinde RMSE, MAE, MAPE ve R² ölçütleriyle değerlendirilmiştir. Bulgular, modellerin genel olarak anlamlı doğruluk düzeylerine ulaştığını ve özellikle geçitli tekrarlayan ağlar ile ağaç tabanlı topluluk öğrenme yöntemlerinin hisse bazında rekabetçi performanslar sunabildiğini göstermektedir. Sonuç olarak çalışma, Borsa İstanbul verileri üzerinde farklı model ailelerinin güçlü ve sınırlı yönlerini ortaya koyan karşılaştırmalı bir değerlendirme çerçevesi sunmaktadır.

Accurately prediction stock closing prices in financial markets is challenging due to the volatile, nonlinear nature of the series and their susceptibility to regime changes; nevertheless, such forecasts are of critical importance for risk management and decision-support processes. The aim of this thesis is to comparatively examine the performance of different artificial intelligence–based models in predicting the daily closing prices of THYAO, PGSUS, TAVHL, and ASELS shares traded on Borsa İstanbul. The hypotheses of the study are that artificial intelligence–based models can achieve high accuracy in closing price prediction, and that recurrent network–based architectures capable of modeling sequential dependencies (RNN derivatives) can produce better or at least comparable performance relative to the basic ANN approach. The sample consists of daily price series of the four selected stocks, containing approximately 3,000 to 6,000 observations per stock. In the methodology, data splitting was performed while preserving chronological order; inputs were constructed using a 60-trading-day sliding window, and the target variable was defined as logarithmic returns in order to mitigate non-stationarity issues. ANN/MLP, RNN, LSTM, BiLSTM, GRU, and hybrid deep learning architectures (LSTM+GRU, CNN+LSTM, CNN+GRU), as well as machine learning methods (KNN, Random Forest, LightGBM, XGBoost), were evaluated on the same test period using RMSE, MAE, MAPE, and R² metrics. The findings indicate that the models generally achieve statistically meaningful levels of accuracy, and that gated recurrent networks and tree-based ensemble learning methods, in particular, can deliver competitive performance at the individual stock level. Overall, the study provides a comparative evaluation framework that highlights the strengths and limitations of different model families on Borsa Istanbul data.