Analysis and Predicting of the Changes in the BIST Trade Index in the Post-Pandemic Period

Yıl 2025, Cilt: 6 Sayı: 2, 185 - 198, 27.12.2025

Enes Filiz

Öz

The pandemic has affected countries in the economic sphere, as it has in every other area worldwide. Countries have taken significant steps to ensure economic stability by establishing new policies. In this context, the changes in the indices and stocks on the Istanbul Stock Exchange (BIST) have been noteworthy. This study will focus on the changes in the BIST Trade Index after the pandemic. The classification model of the BIST Trade Index was found using multilayer perceptron regression (MLPR), and predictions for the future were obtained. The results of the predictions showed that multilayer perceptron regression yielded successful results, with only three values incorrectly predicted between September 1, 2025, and September 30, 2025. Furthermore, the BIST indexes affecting the direction of the BIST Trade Index were determined using Pairwise Correlation Attribute Eval algorithm. The variables ‘BIST Services’, ‘BIST Dividend’, and ‘BIST All’ were found to be effective BIST indexes.

Anahtar Kelimeler

BIST Trade , Multilayer perceptron regression , feature selection , prediction

Etik Beyan

This study does not require ethics board approval. The author declares that ethical rules have been followed in all the preparation processes for this study.

Pandemi Sonrası Dönemde BİST Ticaret Endeksinin Değişiminin İncelenmesi ve Tahminlenmesi

Öz

Pandemi Dünya’da her alanda etkili olduğu gibi ekonomi alanında ülkeleri etkilemiştir. Ülkeler yeni politikalar belirleyerek ekonomik istikrarı sağlayabilmek adına önemli adımlar atmışlardır. Bu bağlamda Borsa İstanbul (BİST)’daki endekslerin ve hisselerin değişimi dikkat çekmiştir. Çalışmada Covid-19 pandemisi sonrasında BİST Ticaret endeksinin değişimine odaklanılacaktır. BİST Ticaret endeksinin sınıflandırma modeli Yapay sinir ağları regresyonu ile bulunmuş ve geleceğe yönelik tahminler elde edilmiştir. Tahminler sonucunda Yapay sinir ağları regresyonunun başarılı sonuçlar verdiği ve yaklaşık %86 doğru tahmin yaptığı ortaya konulmuştur. Ayrıca çift yönlü korelasyon niteliği öznitelik seçim algoritması ile BİST Ticaret endeksinin yönüne etki eden BİST endeksleri belirlenmiştir. Etkili BİST endeksleri olarak ‘BİST Hizmetler’, ‘BİST Temettü’, ‘BİST Tüm’ değişkenleri bulunmuştur.

Anahtar Kelimeler

BİST Ticaret , Yapay sinir ağları regresyonu , öznitelik seçimi , tahminleme

Etik Beyan

Bu çalışma etik kurul izni gerektirmemektedir. Yazar, bu çalışmanın tüm hazırlık süreçlerinde etik kurallara uyulduğunu beyan eder.

Kaynakça

• Adjasi, C., Harvey, S. K., & Agyapong, D. A. (2008). Effect of exchange rate volatility on the Ghana stock exchange. African journal of accounting, economics, finance and banking research, 3(3).
• Aduda, J., Masila, J. M., & Onsongo, E. N. (2012). The determinants of stock market development: The case for the Nairobi Stock Exchange. International journal of humanities and social science, 2(9), 214-230.
• Ayçin, E., & Güçlü, P. (2020). BIST ticaret endeksinde yer alan işletmelerin finansal performanslarının Entropi ve MAIRCA yöntemleri ile değerlendirilmesi. Muhasebe ve Finansman Dergisi, (85), 287-312.
• Baykut, E., Özen, E., & Yeşildağ, E. (2019). Likiditenin Karlılık Üzerine Etkisi: BIST Ticaret Endeksi İçin Gmm Modeli Uygulaması. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 4(4), 599-608.
• Bekzhanova, S., Tayauova, G., Akhanov, S., Tuleshova, G. B., Bolganbayev, A., & Moldogaziyeva, G. M. (2023). The relationship between gold and oil prices and the stock market returns of kazakh energy companies: Comparison of the pre-COVID-19 and post-COVID-19 periods. International Journal of Energy Economics and Policy, 13(5), 8-14.
• Bhandari, H. N., Rimal, B., Pokhrel, N. R., Rimal, R., Dahal, K. R., & Khatri, R. K. (2022). Predicting stock market index using LSTM. Machine Learning with Applications, 9, 100320.
• Clarin, J. (2022). Comparison of the performance of several regression algorithms in predicting the quality of white wine in WEKA. International Journal of Emerging Technology and Advanced Engineering.
• Dănescu, T., & Stejerean, R. M. (2022). Companies’ behavior in measuring the quality of financial reports: Pre-and post-pandemic research. Frontiers in Psychology, 13, 1005941.
• Depren, S. K., Aşkın, Ö. E., & Öz, E. (2017). Identifying the classification performances of educational data mining methods: A case study for TIMSS. Educational Sciences: Theory & Practice, 17(5), 1605-1623.
• Dizgil, E. (2018). BIST Ticaret Endeksinde yer alan şirketlerin Springate finansal başarısızlık modeli ile incelenmesi. Bilecik Şeyh Edebali Üniversitesi Sosyal Bilimler Dergisi, 3(2), 248-267.
• Dhingra, B., Batra, S., Aggarwal, V., Yadav, M., & Kumar, P. (2024). Stock market volatility: a systematic review. Journal of Modelling in Management, 19(3), 925-952.
• Donner, A., & Klar, N. (1996). The statistical analysis of kappa statistics in multiple samples. Journal of clinical epidemiology, 49(9), 1053-1058.
• Dutt, M. I., & Saadeh, W. (2022, June). A multilayer perceptron (MLP) regressor network for monitoring the depth of anesthesia. In 2022 20th IEEE Interregional NEWCAS Conference (NEWCAS) (pp. 251-255). IEEE.
• Ersoy, N. (2023). BIST perakende ticaret sektöründe LOPCOW-RSMVC modeli ile performans ölçümü. Sosyoekonomi, 31(57), 419-436.
• Filiz, E., Akogul, S., & Karaboğa, H. A. (2021). Büyük Dünya Endeksleri Kullanılarak BIST-100 Endeksi Değişim Yönünün Makine Öğrenmesi Algoritmaları ile Sınıflandırılması. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 10(2), 432-441.
• Filiz, E., Karaboğa, H. A., & Akoğul, S. (2017). BIST-50 Endeksi Değişim Değerlerinin Sınıflandırılmasında Makine Öğrenmesi Yöntemleri Ve Yapay Sinir Ağları Kullanımı. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 26(1), 231-241.
• Gere, A., Sipos, L., & Héberger, K. (2015). Generalized Pairwise Correlation and method comparison: Impact assessment for JAR attributes on overall liking. Food quality and preference, 43, 88-96.
• Htun, H. H., Biehl, M., & Petkov, N. (2023). Survey of feature selection and extraction techniques for stock market prediction. Financial Innovation, 9(1), 26.
• Iliou, T., & Anagnostopoulos, C. N. (2009, September). Comparison of different classifiers for emotion recognition. In 2009 13th Panhellenic Conference on Informatics (pp. 102-106). IEEE. Investing web sayfası, https://tr.investing.com/, Erişim Tarihi: 15.10.2025.
• İlbasmış, M. (2023). Underpricing and aftermarket performance of IPOs during the Covid-19 period: Evidence from Istanbul stock exchange. Borsa Istanbul Review, 23(3), 662-673.
• Jan, N., Li, Z., Xiyu, L., Farhan Basheer, M., & Tongkachok, K. (2022). Pre-and post-COVID-19: The impact of the pandemic and stock market psychology on the growth and sustainability of consumer goods industries. Frontiers in Psychology, 13, 796287.
• Jiménez, F., Sánchez, G., Palma, J., Miralles-Pechuán, L., & Botía, J. (2021). Multivariate feature ranking of gene expression data. arXiv preprint arXiv:2111.02357.
• Kumbure, M. M., Lohrmann, C., Luukka, P., & Porras, J. (2022). Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems with Applications, 197, 116659.
• Mao, Z., Wang, H., & Bibi, S. (2024). Crude oil volatility spillover and stock market returns across the COVID-19 pandemic and post-pandemic periods: An empirical study of China, US, and India. Resources Policy, 88, 104333.
• Maqbool, J., Aggarwal, P., Kaur, R., Mittal, A., & Ganaie, I. A. (2023). Stock prediction by integrating sentiment scores of financial news and MLP-regressor: A machine learning approach. Procedia Computer Science, 218, 1067-1078.
• Mustoffa, A. F., Ulfah, I. F., & Wijianto, W. (2025). Firm-Specific Determinants of Stock Prices in the Post-Pandemic Era. Owner: Riset dan Jurnal Akuntansi, 9(4), 2993-3011.
• Singh, N., Mohan, B. R., & Naik, N. (2022). Hybrid model of multifactor analysis with RNN-LSTM to predict stock price. In Advanced Machine Intelligence and Signal Processing (pp. 107-122). Singapore: Springer Nature Singapore.
• T.C. İçişleri Bakanlığı web sayfası, https://www.icisleri.gov.tr/81-il-valiligine-kademeli-normallesme-tedbirleri-genelgesi-gonderildi, Erişim Tarihi: 10.10.2025.
• Topak, Ü. M. S. (2018). Çalışma Sermayesi Yönetiminin Karlılığa Etkisi: BIST Ticaret Endeksi Üzerine Bir Araştırma. Mali Çözüm Dergisi, 28, 71-93.
• Turaboğlu, T. T., & Yılmaz, A. (2024). Finansal Başarısızlığın Tahmini: BIST Ticaret Endeksinde Yer Alan Firmalar İçin Bir Uygulama. Nişantaşı Üniversitesi Sosyal Bilimler Dergisi, 12(Özel Sayı), 222-234. Weka web sayfası, https://weka.sourceforge.io/doc.packages/multiLayerPerceptrons/weka/classifiers/functions/MLPRegressor.html, Erişim Tarihi: 08.11.2025.
• Witten, I. H., Frank, E., Hall, M. A., Pal, C. J., & Data, M. (2017, December). Practical machine learning tools and techniques. In Data mining (Vol. 2, No. 4, pp. 403-413). Amsterdam, The Netherlands: Elsevier Publishers.
• Yin, H. T., Wen, J., Yang, H., He, Y., & Chang, C. P. (2025). The resilience dynamics of energy ETF accessibility and stock market sentiment in China during the post-pandemic era. Energy Economics, 141, 108060.
• Zhixin, S., & Bingqing, L. (2010, November). Research of improved back-propagation neural network algorithm1. In 2010 IEEE 12th International Conference on Communication Technology (pp. 763-766). IEEE.