Klasik Makine Öğrenimi ile Finansal Haber Duygu Sınıflandırması: Tekrarlanabilir ve Maliyet Etkin Bir Ensemble Yaklaşımı

Abstract

Bu çalışma, finansal haber metinlerinin olumlu, olumsuz ve nötr sınıflara ayrılmasını amaçlamaktadır. Çalışmanın temel hedefi, GPU desteği gerektirmeyen koşullarda yeniden üretilebilir bir sınıflandırma modeli geliştirmek ve klasik makine öğrenmesi algoritmalarının performansını karşılaştırmaktır. Analizlerde Kaggle üzerinde yayımlanan “Finance News Sentiments” isimli veri kümesi kullanılmıştır. Veri kümesi 32.417 adet haber başlığından oluşmakta ve üç duygu sınıfında da dengeli bir dağılım göstermektedir. Veri ön işleme sürecinde metin temizleme, kök bulma ve durdurma sözcüklerin çıkarılması adımları uygulanmış; TF-IDF tabanlı vektörleştirme yöntemi ile metinler sayısal forma dönüştürülmüştür. Lojistik Regresyon, Multinomial Naive Bayes, XGBoost ve Ensemble modelleri beş katlı çapraz doğrulama ile test edilmiştir. Performans değerlendirmesinde doğruluk, F1-Skoru ve ROC AUC ölçütleri kullanılmıştır. Bulgular, doğruluk oranlarının %59–65 arasında değiştiğini göstermiştir. Ensemble yaklaşımı %65,3 doğruluk, %65,2 Makro F1-Skoru ve 0,83 ROC AUC ile en başarılı sonucu vermiştir. Ayrıca SHAP analizi, özniteliklerin model kararlarındaki etkisini ortaya koymuş ve açıklanabilirlik boyutunu güçlendirmiştir. Sonuçlar, klasik makine öğrenmesi yöntemlerinin düşük donanım koşullarında dahi istikrarlı performans sergileyebildiğini göstermektedir. Çalışma, TF-IDF tabanlı temsillerin kısa haber metinlerinde yüksek etkililik sunduğunu ve maliyet–doğruluk dengesi bağlamında literatüre özgün katkı sağladığını ortaya koymaktadır.

This study aims to classify financial news texts into positive, negative, and neutral categories. The main objective is to develop a reproducible classification model that does not require GPU support and to compare the performance of classical machine learning algorithms. The analysis uses the Finance News Sentiments dataset published on Kaggle, which contains 32,417 news headlines with a balanced distribution across three sentiment classes. In the preprocessing stage, text cleaning, stemming, and stop-word removal steps were applied; then, the texts were transformed into numerical form using TF-IDF vectorization. Logistic Regression, Multinomial Naive Bayes, XGBoost, and Ensemble models were tested through five-fold cross-validation. Model performance was evaluated with Accuracy, F1-Score, and ROC AUC metrics. The findings show that accuracy rates ranged between 59% and 65%. The ensemble approach achieved the best performance with 65.3% accuracy, a 65.2% Macro F1-Score, and 0.83 ROC AUC. In addition, SHAP analysis revealed the contribution of features to model decisions and strengthened interpretability. Overall, the results demonstrate that classical machine learning methods can provide stable performance even under low-resource conditions. The study shows that TF-IDF-based representations are highly effective in short news texts and provides an original contribution to the literature in terms of the cost–accuracy trade-off (the balance between accuracy and computational cost).