MAKİNE ÖĞRENMESİ İLE ARACI KURUM HİSSE SENEDİ ÖNERİLERİNİN TUTARLILIK ANALİZİ: BORSA İSTANBUL ÖRNEĞİ

Öz

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.

Anahtar Kelimeler

• RandomForest
• XGBoost
• SMOTEENN
• OCR
• Hisse Senedi

Kaynakça

1. Alpaydın, E. (2014). Introduction to Machine Learning (3. Baskı). The MIT Press.
2. Ayyıldız, N., & İskenderoğlu, Ö. (2024). How effective is machine learning in stock market predictions? Heliyon, 10(2), e24123. https://doi.org/10.1016/j.heliyon.2024.e24123
3. Ayyildiz, N., & Iskenderoglu, O. (2023). Prediction of stock index movement directions using machine learning methods: An application on developing countries. Journal of Financial Economics and Banking, 4(2), 68-78.
4. Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3), 1937-1967. https://doi.org/10.1007/s10462-020-09896-5
5. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
6. Chapelle, O., Schölkopf, B., & Zien, A. (Ed.). (2006). Semi-Supervised Learning. The MIT Press.
7. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. 785-794. https://doi.org/10.1145/2939672.2939785
8. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. Baskı). Springer.

9. Koç, D. (2025). Düzce Üniversitesi Kampüsünün Günlük Güneş Enerjisi ile Elektrik Enerjisi Üretim Değerinin Gün Öncesinden Derin Öğrenme Yöntemi ile Tahmin Edilmesi [Yüksek Lisans Tezi]. Düzce Üniversitesi.
10. Mitchell, T. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math.
11. Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
12. Ou, R., & Wang, Q. (2024). Are analysts’ Forecasts Reliable? A Machine Learning-Based Analysis of the Target Price Accuracy. Journal of Behavioral Finance, 1-17. https://doi.org/10.1080/15427560.2024.2368151
13. Rouf, N., Malik, M. B., Arif, T., Sharma, S., Singh, S., Aich, S., & Kim, H.-C. (2021). Stock Market Prediction Using Machine Learning Techniques: A Decade Survey on Methodologies, Recent Developments, and Future Directions. Electronics, 10(21). https://doi.org/10.3390/electronics10212717
14. Saberironaghi, M., Ren, J., & Saberironaghi, A. (2025). Stock Market Prediction Using Machine Learning and Deep Learning Techniques: A Review. AppliedMath, 5(3). https://doi.org/10.3390/appliedmath5030076
15. Shobha, G., & Rangaswamy, S. (2018). Chapter 8—Machine Learning. İçinde V. N. Gudivada & C. R. Rao (Ed.), Computational Analysis and Understanding of Natural Languages: Principles, Methods and Applications (C. 38, ss. 197-228). Elsevier. https://doi.org/10.1016/bs.host.2018.07.004
16. Subasi, A., Amir, F., Bagedo, K., Shams, A., & Sarirete, A. (2021). Stock Market Prediction Using Machine Learning. Procedia Computer Science, 194, 173-179. https://doi.org/10.1016/j.procs.2021.10.071
17. Tekin, S., & Çanakoğlu, E. (2018). Prediction of stock returns in Istanbul stock exchange using machine learning methods. 2018 26th Signal Processing and Communications Applications Conference (SIU), 1-4. https://ieeexplore.ieee.org/abstract/document/8404607/