ARIMA-Based Price Forecasting for the Petrochemical Sector in Borsa Istanbul: The Case of PETKM

Öz

This study aims to examine the time series characteristics of the Petkim Petrokimya Holding A.Ş. (PETKM) stock, traded on Borsa Istanbul, and to forecast its future prices using the ARIMA model. Similar to most financial time series, the PETKM stock price was found to be non-stationary, and it became stationary after the first differencing. Monthly closing prices from 2015 to 2025 were used, and the ARIMA(1,1,1) model was determined as the most suitable structure. The model parameters were statistically significant, and the error measures (RMSE = 3.25, MAPE = 8.91%) indicated satisfactory short-term forecasting performance. The results reveal that the price series exhibits both momentum and mean reversion behaviors. The model performed less effectively during the sharp price increases observed in 2024, suggesting that its linear structure is limited under high-volatility conditions. The findings indicate that Petkim’s stock prices are sensitive to past movements, implying that the market does not fully satisfy the weak-form efficiency hypothesis. Overall, the study concludes that the ARIMA model remains a valid and reliable forecasting tool for financial time series, although incorporating nonlinear or volatility-based approaches such as GARCH or neural networks could further enhance forecasting accuracy in future research.

Anahtar Kelimeler

• ARIMA model
• Time series analysis
• Stock prices
• Petkim
• Financial forecasting

Borsa İstanbul’da Petrokimya Sektörü İçin ARIMA Tabanlı Fiyat Tahmini: PETKM Örneği

Öz

Bu çalışma, Borsa İstanbul’da işlem gören Petkim Petrokimya Holding A.Ş. (PETKM) hisse senedi fiyatlarının zaman serisi özelliklerini incelemeyi ve geleceğe yönelik fiyat tahminlerini ARIMA modeliyle gerçekleştirmeyi amaçlamaktadır. Finansal zaman serilerinin çoğu gibi PETKM hisse senedi fiyatlarının durağan olmadığı belirlenmiş, birinci farkın alınmasıyla serinin durağan hale geldiği tespit edilmiştir. Çalışmada 2015–2025 dönemine ait aylık kapanış fiyatları kullanılmış ve ARIMA(1,1,1) modeli en uygun yapı olarak belirlenmiştir. Modelin parametreleri istatistiksel olarak anlamlı bulunmuş, hata ölçütleri (RMSE = 3.25, MAPE = %8.91) modelin kısa vadeli tahminlerde tatmin edici performans gösterdiğini ortaya koymuştur. Sonuçlar, fiyat serisinin hem momentum hem de ortalama dönüş davranışlarını sergilediğini göstermektedir. 2024 yılında yaşanan ani fiyat artışlarının tahmin edilmesinde sınırlı başarı gözlenmiş, bu durum modelin doğrusal yapısının volatil dönemlerde yetersiz kaldığını göstermiştir. Elde edilen bulgular, Petkim hissesinin geçmiş fiyat hareketlerine duyarlı olduğunu ve piyasanın zayıf formda tam etkinlik göstermediğini ortaya koymaktadır. Çalışma, ARIMA modelinin finansal zaman serilerinde hâlâ geçerli ve güvenilir bir tahmin aracı olduğunu, ancak volatiliteyi dikkate alan GARCH veya yapay sinir ağı temelli modellerin gelecekte tahmin doğruluğunu artırabileceğini göstermektedir.

Anahtar Kelimeler

• ARIMA modeli
• Zaman serisi analizi
• Hisse senedi fiyatları
• Petkim
• Finansal tahmin

Kaynakça

1. Altunöz, U. (2016). Borsa istanbul da zayıf formda etkin piyasa hipotezinin testi: bankacılık sektörü örneği. Journal of International Social Research, 9(43): 1619-1625. https://doi.org/10.17719/jisr.20164317732
2. Aydın, Y., Varol, G., Gökdeniz, E. E., & Manus, H. (2024). Hisse senedi fiyatlarının LSTM ve ARIMA modelleri kullanılarak tahmin edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(2), 903-911. https://doi.org/10.35234/fumbd.1495602
3. Aydoğdu, A., & Nazlıoğlu, E. H. (2025). Küresel enerji ve metal emtia piyasaları ile pay senedi piyasaları arasındaki dinamik ilişkilerin incelenmesi: Türkiye örneği. İktisadi İdari ve Siyasal Araştırmalar Dergisi, 10(26), 277-294.
4. Borsa İstanbul. (2025). Veriler. https://www.borsaistanbul.com/veriler (erişim tarihi: 15 Ekim 2025).
5. Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2015). Time series analysis: Forecasting and control (5th ed.). Wiley.
6. Brooks, C. (2014). Introductory econometrics for finance (4th ed.). Cambridge University Press.
7. Demirağ, İ., & Sağır, M. (2021). Ekonomik Nabzı Tutmak: Türkiye’deki Makroekonomik Zaman Serileri İle Geliştirilmiş Bir Kriz Endeksi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 60, 473-497. https://doi.org/10.18070/erciyesiibd.881907
8. Dickey, D. A., & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica: Journal of the Econometric Society, 49(4), 1057-1072. https://doi.org/10.2307/1912517

9. Diebold, F. X. (2017). Forecasting in economics, business, finance and beyond. University of Pennsylvania.
10. Durgut, E., & Arıcı, N. D. (2022). Seçili makroekonomik göstergelerin hisse senedi piyasalarina etkisi: Türkiye örneği. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 7(3), 552-564. https://doi.org/10.29106/fesa.1137773
11. Erden, C. (2023). Derin Öğrenme ve ARIMA yöntemlerinin tahmin performanslarının kıyaslanması: Bir Borsa İstanbul Hissesi örneği. Yönetim ve Ekonomi Dergisi, 30(3), 419-438. https://doi.org/10.18657/yonveek.1208807
12. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417. https://doi.org/10.2307/2325486
13. Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill.
14. Han, A. (2024). Korku ve Güvenin Yatırımcı Davranışlarına Etkisi: Kırılmalı Testlerden Kanıtlar. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26(2), 344-369.
15. Heiss, F., & Brunner, D. (2020). Using Python for Introductory Econometrics (2nd ed.). Düsseldorf University Press.
16. Huang, C., & Petukhina, A. (2022). Applied time series analysis and forecasting with Python (Vol. 39). Cham: Springer.
17. Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. The Journal of Finance, 48(1), 65-91.
18. Kaya, V., Çömlekçi, İ., & Kara, O. (2013). Hisse senedi getirilerini etkileyen makroekonomik değişkenler 2002–2012 Türkiye örneği. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 35, 167-176.
19. Kaynar, O., & Taştan, S. (2009). Zaman serileri tahmininde ARIMA-MLP melez modeli. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 23(3), 141-149.
20. Mills, T. C. (2019). Applied time series analysis: A practical guide to modeling and forecasting. Elsevier.
21. Phung Duy, Q., Nguyen Thi, O., Le Thi, P. H., Pham Hoang, H. D., Luong, K. L., & Nguyen Thi, K. N. (2024). Estimating and forecasting bitcoin daily prices using ARIMA-GARCH models. Business Analyst Journal, 45(1), 11-23. https://doi.org/10.1108/BAJ-05-2024-0027
22. Saraçoğlu, M., Kuzu, M., & Kocaoğlu, F. (2015). Türkiye ekonomisinde sermaye hareketleri, döviz kuru, enflasyon ve faiz arasındaki etkileşimlerin küresel ekonomi politik çerçevesinde analizi. Gazi İktisat ve İşletme Dergisi, 1(2), 75-110.
23. Sarı, T., & Gül, B. S. (2022). Bütünleşik zaman serisi analizi ile talep tahmini: İlaç tedarik zincirinde bir uygulama. Verimlilik Dergisi, 4, 597-610. https://doi.org/10.51551/verimlilik.1091150
24. Siami-Namini, S., & Namin, A. S. (2018). Forecasting economics and financial time series: ARIMA vs. LSTM. arXiv preprint arXiv:1803.06386. https://doi.org/10.48550/arXiv.1803.06386
25. Songün, M. H. (2023). Yapay zeka yöntemleri̇yle hi̇sse senedi̇ fi̇yatinin ongörülmesi̇ (Doktora tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü).
26. Stock, J. H., & Watson, M. W. (2020). Introduction to Econometrics (4th Global ed.). Pearson Education Limited.