Finansal piyasalarda yapay zekâ uygulamaları: BIST 30 endeksinin LSTM ile tahmini

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Sosyal Bilimler Enstitüsü, FİNANS VE BANKACILIK ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: İZEL COŞKUN

Danışman: Ulaş Ünlü

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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. Anahtar Kelimeler: Yapay Zekâ, Derin Öğrenme, LSTM, Finansal Piyasalar, Borsa İstanbul, Zaman Serisi Tahmini, Makine Öğrenmesi, Tahmin Modelleri.