Araştırma Makalesi
BibTex RIS Kaynak Göster

Yıl 2025, Cilt: 12 Sayı: 4, 240 - 256, 31.10.2025

Yasin Kubilay Tınmaz

Öz

Kaynakça

  • Alpaydın, E. (2014). Introduction to Machine Learning (3. Baskı). The MIT Press.
  • 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
  • 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.
  • 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
  • Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  • Chapelle, O., Schölkopf, B., & Zien, A. (Ed.). (2006). Semi-Supervised Learning. The MIT Press.
  • Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. 785-794. https://doi.org/10.1145/2939672.2939785
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. Baskı). Springer.
  • 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.
  • Mitchell, T. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math.
  • Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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/

Yıl 2025, Cilt: 12 Sayı: 4, 240 - 256, 31.10.2025

Yasin Kubilay Tınmaz

Öz

Kaynakça

  • Alpaydın, E. (2014). Introduction to Machine Learning (3. Baskı). The MIT Press.
  • 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
  • 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.
  • 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
  • Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  • Chapelle, O., Schölkopf, B., & Zien, A. (Ed.). (2006). Semi-Supervised Learning. The MIT Press.
  • Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. 785-794. https://doi.org/10.1145/2939672.2939785
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. Baskı). Springer.
  • 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.
  • Mitchell, T. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math.
  • Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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/

Yıl 2025, Cilt: 12 Sayı: 4, 240 - 256, 31.10.2025

Yasin Kubilay Tınmaz

Öz

Kaynakça

  • Alpaydın, E. (2014). Introduction to Machine Learning (3. Baskı). The MIT Press.
  • 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
  • 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.
  • 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
  • Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  • Chapelle, O., Schölkopf, B., & Zien, A. (Ed.). (2006). Semi-Supervised Learning. The MIT Press.
  • Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. 785-794. https://doi.org/10.1145/2939672.2939785
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. Baskı). Springer.
  • 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.
  • Mitchell, T. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math.
  • Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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/

Yıl 2025, Cilt: 12 Sayı: 4, 240 - 256, 31.10.2025

Yasin Kubilay Tınmaz

Öz

Kaynakça

  • Alpaydın, E. (2014). Introduction to Machine Learning (3. Baskı). The MIT Press.
  • 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
  • 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.
  • 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
  • Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  • Chapelle, O., Schölkopf, B., & Zien, A. (Ed.). (2006). Semi-Supervised Learning. The MIT Press.
  • Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. 785-794. https://doi.org/10.1145/2939672.2939785
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. Baskı). Springer.
  • 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.
  • Mitchell, T. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math.
  • Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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/

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

Yıl 2025, Cilt: 12 Sayı: 4, 240 - 256, 31.10.2025

Yasin Kubilay Tınmaz

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

Etik Beyan

Bu çalışma kapsamında kullanılan tüm veriler, kamuya açık kaynaklardan ve yasal olarak erişilebilir veri tabanlarından elde edilmiştir. Araştırma sürecinde hiçbir şekilde kişisel veri kullanılmamış, etik dışı veri işleme, manipülasyon veya yanıltıcı analiz uygulamalarına başvurulmamıştır. Bilimsel dürüstlük ilkelerine sadık kalınmış; alıntı ve atıflarda akademik yazım kurallarına uyulmuştur. Çalışmada kullanılan makine öğrenmesi algoritmaları ve tüm modelleme süreçleri nesnel değerlendirme amacıyla gerçekleştirilmiş, hiçbir kurum veya yatırımcı lehine yönlendirici bir tutum sergilenmemiştir. Bu beyan ile birlikte çalışmanın her aşamasında araştırma etiği ve akademik doğruluk ilkelerine tam bağlılık gösterildiği taahhüt edilmektedir.

Destekleyen Kurum

Üsküdar Üniversitesi

Teşekkür

Bu çalışmanın yürütülmesi sürecinde desteklerini esirgemeyen başta danışmanım olmak üzere tüm akademik kadroya teşekkür ederim. Veri temini ve ön işleme sürecinde yardımcı olan araştırma arkadaşlarıma, teknik altyapı konusunda yol gösteren ilgili platformların geliştiricilerine ve yapay zekâ uygulamaları alanında bilgi paylaşımında bulunan topluluklara minnettarım. Ayrıca, modelleme aşamasında öneri ve değerlendirmeleriyle katkı sunan uzmanlara ve araştırmanın akademik niteliğini artırmaya yönelik geri bildirim sağlayan hakemlere içten teşekkür ederim. Bu çalışmanın gerçekleştirilmesine dolaylı ya da doğrudan katkı sağlayan herkese şükranlarımı sunarım.

Kaynakça

  • Alpaydın, E. (2014). Introduction to Machine Learning (3. Baskı). The MIT Press.
  • 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
  • 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.
  • 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
  • Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  • Chapelle, O., Schölkopf, B., & Zien, A. (Ed.). (2006). Semi-Supervised Learning. The MIT Press.
  • Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. 785-794. https://doi.org/10.1145/2939672.2939785
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2. Baskı). Springer.
  • 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.
  • Mitchell, T. (1997). Machine Learning. McGraw-Hill Science/Engineering/Math.
  • Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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/
Toplam 17 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Bilgi Sistemleri Kullanıcı Deneyimi Tasarımı ve Geliştirme
Bölüm Makaleler
Yazarlar

Yasin Kubilay Tınmaz 0009-0008-1445-4931

Yayımlanma Tarihi 31 Ekim 2025
Gönderilme Tarihi 12 Haziran 2025
Kabul Tarihi 10 Ekim 2025
Yayımlandığı Sayı Yıl 2025 Cilt: 12 Sayı: 4

Kaynak Göster

APA Tınmaz, Y. K. (2025). MAKİNE ÖĞRENMESİ İLE ARACI KURUM HİSSE SENEDİ ÖNERİLERİNİN TUTARLILIK ANALİZİ: BORSA İSTANBUL ÖRNEĞİ. Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi, 12(4), 240-256.
 Kapak Resmi İndir