Finansal piyasalarda yaşanan dalgalanmalar ve küresel ekonomik belirsizlikler, finansal kurumların ve yatırımcıların doğru ve güvenilir piyasa tahminlerine olan ihtiyacını artırmıştır. Özellikle borsa endeksinin karmaşık yapısı ve artan oynaklığı, geleneksel tahmin yöntemlerinin yetersiz kalmasına neden olmuştur. Bu durum ise daha gelişmiş ve esnek tahmin modellerinin gelişimini zorunlu kılmıştır. Bu kapsamda derin öğrenme modelleri, özellikle LSTM (Uzun Kısa Süreli Bellek) ağları, zaman serisi verilerindeki uzun vadeli ilişkileri başarılı bir şekilde modelleyerek borsa endeks tahmininde öne çıkmayı başarmıştır. Bu çalışmanın amacı, Borsa İstanbul’da işlem gören (BIST) 100 ve Frankfurt Menkul Kıymetler Borsasında işlem gören Deutscher Aktienindex (DAX) endekslerini tahmin etmek için VIX, OVX, EVZ ve GVZ oynaklık endekslerini girdi değişkeni olarak kullanarak bir Uzun Kısa Süreli Bellek (LSTM) modelinin tahmin performansını değerlendirmektir. Analizde kullanılan veri seti 30.01.2012- 26.06.2024 dönemine ait BIST 100, DAX endeksleriyle VIX, OVX, EVZ, GVZ oynaklık endekslerini içermektedir. LSTM modeli, uzun dönem bağımlılıkları modelleyebilme kabiliyeti ve yüksek tahmin doğruluğu nedeniyle tercih edilmiştir. Sonuçlar, LSTM modelinin her iki endeks için de yüksek doğrulukla tahminler yaptığını göstermektedir. BIST 100 için RMSE, MAE, MAPE ve R² değerleri sırasıyla 0.0151, 0.0076, 0.04 ve 0.9948, DAX için ise 0.0273, 0.0193, 0.02 ve 0.9843 olarak bulunmuştur. Bu bulgular, modelin yatırım stratejileri ve risk yönetimi için değerli bir araç olabileceğini göstermektedir. Çalışma, LSTM modelinin farklı piyasa dinamiklerine sahip endekslerde başarılı tahminler yapabildiğini ortaya koymakta ve gelecekteki finansal tahmin çalışmaları için güçlü bir temel sunmaktadır.
Primary Language | Turkish |
---|---|
Subjects | Finance |
Journal Section | Articles |
Authors | |
Publication Date | December 23, 2024 |
Submission Date | October 20, 2024 |
Acceptance Date | November 23, 2024 |
Published in Issue | Year 2024 Volume: 6 Issue: 2 |