BIST Banka Endeksi’nde Volatilite Tahmini: LSTM ve GARCH Modelleri ile Karşılaştırmalı Bir Değerlendirme

Year 2026, Volume: 13 Issue: 1, 45 - 64, 13.01.2026

Sercan Kırık , Fatih Konak

https://doi.org/10.17541/optimum.1738819

Abstract

Bu çalışmada, derin öğrenme tabanlı ve zaman serisi verilerinde uzun vadeli bağımlılıkları öğrenme yeteneği ile öne çıkan LSTM (Long Short-Term Memory) modeli kullanılarak BIST Banka Endeksi’nin volatilitesinin tahmini amaçlanmıştır. LSTM modeli, geleneksel ekonometrik modellere kıyasla, finansal veriler gibi karmaşık ve dinamik zaman serilerini işlerken daha isabetli tahminler üretebilme potansiyeline sahiptir. Çalışma kapsamında, geçmiş kapanış fiyatları ve günlük getiriler gibi tarihsel verilerle LSTM modeli eğitilmiş ve volatilite tahmini için model parametreleri optimize edilmiştir. Ayrıca, LSTM modelinin tahmin performansı, geleneksel bir ekonometrik model olan GARCH (Generalized Autoregressive Conditional Heteroskedasticity) modeli ile karşılaştırılmıştır. Elde edilen bulgular, LSTM modelinin volatilite tahmininde GARCH modeline göre daha yüksek doğruluk sağladığını ve daha başarılı sonuçlar ürettiğini göstermektedir. Sonuçlar, LSTM modelinin finansal piyasalarda volatilite ve risk modelleme açısından güçlü bir alternatif olarak değerlendirilebileceğini ortaya koymaktadır.

Keywords

Volatilite tahmini , LSTM , GARCH , BIST banka endeksi

Volatility Forecasting in BIST Bank Index: A Comparative Evaluation with LSTM and GARCH Models

Abstract

This study employs the LSTM (Long Short-Term Memory) model, a deep learning-based technique recognized for its ability to capture long-term dependencies in time series data, to forecast the volatility of the BIST Bank Index. LSTM has the potential to generate more accurate forecasts than traditional econometric models when dealing with complex and dynamic time series such as financial data. The model was trained using historical data, including past closing prices and daily returns, and its parameters were optimized for volatility forecasting. Furthermore, the forecasting performance of the LSTM model is compared with that of a conventional econometric model, GARCH (Generalized Autoregressive Conditional Heteroskedasticity). The results indicate that the LSTM model outperforms the GARCH model in terms of accuracy and forecasting effectiveness. Overall, the findings suggest that LSTM constitutes a robust alternative for modeling risk and volatility in financial markets.

Keywords

Volatility forecasting , LSTM , GARCH , BIST bank index

References

• Adams, S. O. & Uchema, J. I. (2024). Nigeria exchange rate volatility: A comparative study of recurrent neural network LSTM and exponential generalized autoregressive conditional heteroskedasticity models. Journal of Artificial Intelligence and Big Data, 4(2), 61-73.
• Akbulut, S. ve Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52-63.
• Andersen, T. G., Bollerslev, T., Diebold F. X. & Labys, P. (2003). Modeling and forecasting realized volatility. Econometrica, 71(2), 579-625.
• Atasoy, A. B. ve Tuna, G. (2021). Bitcoin için volatilite tahmini: Simetrik ve asimetrik Garch modelleri için ampirik bir uygulama. İşletme Araştırmaları Dergisi, 13(4), 3346-3359.
• Bao, W., Yue, J. & Rao, Y. (2017). A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PLoS One, 12(7), 1-24.
• Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307-327.
• Çolak, Z. (2025). Derin öğrenme modelleri ile hisse senedi fiyat tahmini: LSTM, GRU, RNN, MLP modellerinin karşılaştırılmalı analizi. Yönetim Bilimleri Dergisi, 23(56), 1250-1286.
• Dickey, D. A. & Fuller, W. A. (1981). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431.
• Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of the United Kingdom inflation. Econometrica, 50(4), 987-1007.
• Eylasov, N. ve Çiçek, M. (2024). Kripto para fiyatlarının tahmini: ARIMA-GARCH ve LSTM yöntemlerinin karşılaştırılması. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 9(1), 48-62.
• Hochreiter, S. & Schmidhuber, J. (1997). Long short-term memory. Neutral Computation, 9(8), 1735-1780.
• How, D. N. T., Loo, C. K. & Sahari, K. S. M. (2016). Behavior recognition for humanoid robots using long short-term memory. International Journal of Advanced Robotic Systems, 13(6), 1-14.
• Hu, Y., Ni, J. & Wen, L. (2020). A hybrid deep learning approach by integrating LSTM-ANN networks with GARCH model for copper price volatility prediction. Physica A, 557, 1-14.
• Jiao, X., Song, Y., Kong, Y., & Tang, X. (2022). Volatility forecasting for crude oil based on text information and deep learning PSO‐LSTM model. Journal of Forecasting, 41(5), 933-944.
• Kim, H. Y. & Won, C. H. (2018). Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Systems With Applications, 103, 25-37.
• Koy, A. ve Ekim, S. (2016). Borsa İstanbul sektör endekslerinin volatilite modellemesi. Trakya Üniversitesi İktisadi ve İdari Bilimler Fakültesi E-Dergi, 5(2), 1-23.
• Kurt Cihangir, Ç. (2019). Parasal düzen ve Türkiye değerlendirmesi. Ankara: Gazi Kitabevi.
• Kutlu, M. ve Türkoğlu, D. (2023). Volatilite endeksi (VIX) ve Kırılgan Beşli ülkelerin borsa endeksleri arasında volatilite etkileşimi. Aksaray Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(2), 125-136.
• Mandelbrot, B. (1967). The variation of some other speculative prices. The Journal of Business, 40(4), 393-413.
• Sghiouar, N., & Mossadak, A. (2025). Prévision de la capitalisation boursière totale de la bourse de Casablanca: Comparaison entre la modélisation ARIMA, GARCH et LSTM. Alternatives Managériales Economiques, 7(1), 158-181.
• Sönmez, L. ve Çoşkun Arslan, M. (2024). LSTM modeli ile volatilite temelli borsa tahmini. Uluslararası Muhasebe ve Finans Araştırmaları Dergisi, 6(2), 48-62.
• Şahin, C. (2023). Garch ve yapay sinir ağları modelleri yardımıyla volatilite tahmini: Türk borsası örneği. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(2), 572-595.
• Türkoğlu, D. ve Konak, F. (2021). Pazartesi anomalisine farklı bir bakış: ABD ve Avrupa borsaları üzerine bir uygulama. Kırklareli Üniversitesi Sosyal Bilimler Dergisi, 5(2), 1-20.
• Vitali, G. (2019). Forecasting stock index volatility: A comparison between GARCH and LSTM models, Final Thesis, Universita Ca’Foscari Venezia, Venezia: IT.