Bellek Tabanlı LSTM ve GRU Makine Öğrenmesi Algoritmaları Kullanarak BIST100 Endeks Tahmini

Abstract

Makine öğrenmesi tabanlı tahmin yaklaşımlarının finansal piyasalarda geliştirilmesi, hızlı ve hassas karar alma, karmaşıklıkla başa çıkma, risk yönetimi, algoritmik ticaret ve duygusal etkilerin azaltılması gibi avantajlar sağlar. Bu yaklaşımlar, sürekli öğrenme ve adaptasyon yetenekleriyle finansal başarı için rekabet avantajı oluşturabilir. Bu makale çalışmasında, Borsa İstanbul (BIST) 100 endeks tahmini için bellek tabanlı makine öğrenmesi modellerine dayalı bir yaklaşım sunulmuştur. Bu amaçla, ardışık veri değerlendirmesinde popüler olan uzun kısa-süreli bellek (LSTM) ve geçitli tekrarlayan birim (GRU) mimarileri kullanılmıştır. Elde edilen model çıktılarına göre bu modellerin, eğitim ve doğrulama aşamalarında düşük kayıplar gösterdiği ve BIST100 endeksinin genel eğilimlerini başarıyla takip ettiği gözlemlenmiştir. Ancak, modeller piyasa dalgalanmaları ve ani değişimlerde gerçek değerlerden sapmalar göstermiş, bu da belirsizlikleri ve genelleme kapasitelerinin sınırlarını ortaya koymuştur. Geleceğe yönelik tahminler, eğitim veri setindeki desenlere dayanarak yapılmış ancak zamanla artan belirsizlik göstermiştir. Çalışma, makine öğrenmesi algoritmalarının finans verileri üzerindeki kullanım alanı konusunda önemli bilgiler sağlayacak potansiyele sahiptir.

The development of machine learning-based forecasting approaches in financial markets offers advantages such as rapid and precise decision-making, complexity management, risk mitigation, algorithmic trading, and reduction of emotional biases. These methods can create a competitive edge for financial success through their continuous learning and adaptation capabilities. This article presents a memory-based machine learning approach for predicting the Borsa Istanbul (BIST) 100 index, utilizing popular architectures like Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) for sequential data analysis. The models demonstrated low losses in training and validation phases and successfully followed the general trends of the BIST 100 index. However, they showed deviations from actual values during market volatility, highlighting uncertainties and the limits of their generalization abilities. Predictions were based on patterns in the training dataset but indicated increasing uncertainty over time. This study has the potential to provide significant insights into the application of machine learning algorithms on financial data.