@article{article_1718364, title={MAKİNE ÖĞRENMESİ İLE ARACI KURUM HİSSE SENEDİ ÖNERİLERİNİN TUTARLILIK ANALİZİ: BORSA İSTANBUL ÖRNEĞİ}, journal={Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi}, volume={12}, pages={240–256}, year={2025}, author={Tınmaz, Yasin Kubilay}, keywords={RandomForest, XGBoost, SMOTEENN, OCR, Hisse Senedi}, abstract={Bu araştırmanın amacı, aracı kurumların Borsa İstanbul’daki hisse senedi önerilerinin gerçekleşen piyasa verileriyle ne ölçüde örtüştüğünü analiz etmek ve bu öngörülerin makine öğrenmesi yöntemleriyle tutarlılığını değerlendirmektir. Bu doğrultuda, doğrudan fiyat seviyeleri yerine açılış fiyatına göre yüksek, düşük ve kapanış fiyatlarındaki yüzdesel değişimler tahmin edilerek, fiyatların enflasyon, hisse bölünmeleri ve uzun vadeli piyasa trendlerinden kaynaklanan etkileri minimize edilmiştir. Çalışmada kullanılan veri seti, Ziraat Yatırım’ın 2020-2021 dönemine ait günlük raporlarından Optical Character Recognition (OCR) yöntemiyle elde edilen ve doğrulama-temizleme süreçlerinden geçirilen 592 gözlemden oluşmaktadır. Eğitim sürecinde bu veri kullanılırken, metodolojinin genel çapta ele alınabilmesini test etmek amacıyla Gedik Yatırım verileri dış test seti olarak değerlendirilmiştir. Eğitim aşamasında veri dengesizliği, SMOTE-ENN yöntemiyle giderilmiş; T+1 gününe ilişkin getiriler Random Forest ve XGBoost algoritmaları kullanılarak öngörülmüştür. Sürecin genel yapısı, OCR ile hisse kodlarının çıkarılması ve doğrulanması, fiyat verilerinin eşleştirilmesi, bağımsız ve bağımlı değişkenlerin tanımlanması, veri dengesizliğinin giderilmesi, modellerin eğitilmesi ve performanslarının değelendirilmesi adımlarından oluşmuştur. Böylece veri, rastlantısal değil sistematik biçimde işlenerek analiz için uygun hale getirilmiştir. Araştırmanın bulguları, Random Forest algoritmasının iki test setinde de XGBoost’a göre daha düşük hata metrikleri ürettiği sonucuna varmıştır.}, number={4}, publisher={İrfan TÜRKOĞLU}, organization={Üsküdar Üniversitesi}