Öz
Kaynakça
- Ariyo, A., Adewumi, A., & Ayo, C. (2014). Stock price prediction using the ARIMA model. In 2014 UKSim-AMSS 16th international conference on computer modelling and simulation (s. 106-112). IEEE.
- Bhattacharjee, I., & Bhattacharja, P. (2019). Stock Price Prediction: A Comparative Study between Traditional Statistical Approach and Machine Learning Approach. 4th International Conference on Electrical Information and Communication Technology (EICT). IEEE.
- Dai, Y., Zhou, Q., Leng, M., Yang, X., & Wang, Y. (2022). Improving the Bi-LSTM model with XGBoost and attention mechanism: A combined approach for short-term power load prediction. Applied Soft Computing, 130. doi:https://doi.org/10.1016/j.asoc.2022.109632
- Göğen, E., & Güney, S. (2024). Machine learning-based weather prediction with radiosonde observations. Journal of the Faculty of Engineering and Architecture of Gazi University, 39(4), 2317-2328. doi:10.17341/gazimmfd.1163079
- Han, C., & Fu, X. (2023). Challenge and Opportunity: Deep Learning-Based Stock Price Prediction by Using Bi-Directional LSTM Model. Frontiers in Business, Economics and Management, 8(2), 51-54.
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation. 9(8), 1735–1780. Hossain, M., Karim, R., Thulasiram, R., Bruce, N., & Wang, Y. (2018). Hybrid deep learning model for stock price prediction. In 2018 ieee symposium series on computational intelligence (ssci) (s. 1837-1844). IEEE.
- Jijo, B., & Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. ournal of Applied Science and Technology Trends, 2(1), 20-28.
- Jing, N., Wu, Z., & Wang, H. (2021). A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction. Expert Systems with Applications, 178. doi:https://doi.org/10.1016/j.eswa.2021.115019
- Kabir, M., Sobur, A., & Amin, M. (2023). Stock Price Prediction Using the Machine Learning. nternational Journal of Computer Research and Technology (IJCRT), 11(7), 946-950.
- Karim, R., Alam, M., & Hossain, M. (2021). Stock market analysis using linear regression and decision tree regression. In 2021 1st International. In 2021 1st International Conference on Emerging Smart Technologies and Applications (eSmarTA) (s. 1-6). IEEE.
- Kumar, D., Thiruvarangan, B., Reddy C, S., Vishnu, A., Devi, A., & Kavitha, D. (2022). Analysis and prediction of stock price using hybridization of sarima and xgboost. In 2022 International Conference on Communication, Computing and Internet of Things (IC3IoT) (s. 1-4). IEEE.
- Li, L., Wu, Y., Ou, Y., Li, Q., Zhou, Y., & Chen, D. (2017). Research on machine learning algorithms and feature extraction for time series. In 2017 IEEE 28th annual international symposium on personal, indoor, and mobile radio communications (PIMRC) (s. 1-5). IEEE.
- Liwei, T., Li, F., Yu, S., & Yuankai, G. (2021). Forecast of LSTM-XGBoost in Stock Price Based on Bayesian Optimization. Intelligent Automation & Soft Computing, 29(3), 855-868. doi:http://dx.doi.org/10.32604/iasc.2021.016805
- Manasa, M., & Reddy, A. (2024). Stock Market Prediction Using Machine Learning and Deep Learning Algorithms. UGC Care Group I Listed Journal, 14(1), 49-60.
- Mehak, U., Adil, S., Raza, K., & Ali, S. (2016). Stock Market Prediction Using Machine Learning Techniques. 2016 3rd International Conference On Computer and Information Sciences (ICCOINS) (s. 322-327). IEEE.
- Miah, M., Hossain, M., Hossain, M., & Islam, M. (2015). Price prediction of stock market using hybrid model of artificial intelligence. International Journal of Computer Applications, 111(3).
- Oukhouya, H., & Himdi, K. (2023). Comparing machine learning methods—svr, xgboost, lstm, and mlp—for forecasting the moroccan stock market. Computer Sciences & Mathematics Forum, 7(1), 39.
- Oukhouya, H., Kadiri, H., Himdi, K., & Guerbaz, R. (2024). Forecasting International Stock Market Trends: XGBoost, LSTM LSTM-XGBoost, And Backtesting XGBoost Models. (200-209, Dü.) Statistics, Optimization & Information Computing, 12(1).
- Qihang, M. (2020). Comparison of ARIMA, ANN and LSTM for stock price prediction. In E3S Web of Conferences. EDP Sciences.
- Somkunwar, R., Pimpalkar, A., & Srivastava, V. (2024). A Novel Approach for Accurate Stock Market Forecasting by Integrating ARIMA and XGBoost. In 2024 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS) (s. 1-6). IEEE.
- Tong, Z., Li, H., & Zhang, Y. (2023). A Comparison of ARIMA, LSTM, XGBOOST and Hybrid in Stock Price Prediction. In 2023 5th International Conference on Applied Machine Learning (ICAML) (s. 18-25). IEEE.
- Tsai, C., & Wang, S. (2009). Stock price forecasting by hybrid machine learning techniques. In Proceedings of the international multiconference of engineers and computer scientists, Vol.1 No.755, s. 60.
- Xiao, C., Xia, W., & Jiang, J. (2020). Stock price forecast based on combined model of ARI-MA-LS-SVM. Neural Computing and Applications, 32(10), 5379-5388. doi:https://doi.org/10.1007/s00521-019-04698-5
- Zhang, J., Liu, H., Bai, W., & Li, X. (2024). A hybrid approach of wavelet transform, ARIMA and LSTM model for the share price index futures forecasting. The North American Journal of Economics and Finance, 69. doi:https://doi.org/10.1016/j.najef.2023.102022
- Zhu, R., Zhong, G.-Y., & Li, J.-C. (2024). Forecasting price in a new hybrid neural network model with machine. Expert Systems with Applications, 249. doi:https://doi.org/10.1016/j.eswa.2024.123697
Öz
Kaynakça
- Ariyo, A., Adewumi, A., & Ayo, C. (2014). Stock price prediction using the ARIMA model. In 2014 UKSim-AMSS 16th international conference on computer modelling and simulation (s. 106-112). IEEE.
- Bhattacharjee, I., & Bhattacharja, P. (2019). Stock Price Prediction: A Comparative Study between Traditional Statistical Approach and Machine Learning Approach. 4th International Conference on Electrical Information and Communication Technology (EICT). IEEE.
- Dai, Y., Zhou, Q., Leng, M., Yang, X., & Wang, Y. (2022). Improving the Bi-LSTM model with XGBoost and attention mechanism: A combined approach for short-term power load prediction. Applied Soft Computing, 130. doi:https://doi.org/10.1016/j.asoc.2022.109632
- Göğen, E., & Güney, S. (2024). Machine learning-based weather prediction with radiosonde observations. Journal of the Faculty of Engineering and Architecture of Gazi University, 39(4), 2317-2328. doi:10.17341/gazimmfd.1163079
- Han, C., & Fu, X. (2023). Challenge and Opportunity: Deep Learning-Based Stock Price Prediction by Using Bi-Directional LSTM Model. Frontiers in Business, Economics and Management, 8(2), 51-54.
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation. 9(8), 1735–1780. Hossain, M., Karim, R., Thulasiram, R., Bruce, N., & Wang, Y. (2018). Hybrid deep learning model for stock price prediction. In 2018 ieee symposium series on computational intelligence (ssci) (s. 1837-1844). IEEE.
- Jijo, B., & Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. ournal of Applied Science and Technology Trends, 2(1), 20-28.
- Jing, N., Wu, Z., & Wang, H. (2021). A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction. Expert Systems with Applications, 178. doi:https://doi.org/10.1016/j.eswa.2021.115019
- Kabir, M., Sobur, A., & Amin, M. (2023). Stock Price Prediction Using the Machine Learning. nternational Journal of Computer Research and Technology (IJCRT), 11(7), 946-950.
- Karim, R., Alam, M., & Hossain, M. (2021). Stock market analysis using linear regression and decision tree regression. In 2021 1st International. In 2021 1st International Conference on Emerging Smart Technologies and Applications (eSmarTA) (s. 1-6). IEEE.
- Kumar, D., Thiruvarangan, B., Reddy C, S., Vishnu, A., Devi, A., & Kavitha, D. (2022). Analysis and prediction of stock price using hybridization of sarima and xgboost. In 2022 International Conference on Communication, Computing and Internet of Things (IC3IoT) (s. 1-4). IEEE.
- Li, L., Wu, Y., Ou, Y., Li, Q., Zhou, Y., & Chen, D. (2017). Research on machine learning algorithms and feature extraction for time series. In 2017 IEEE 28th annual international symposium on personal, indoor, and mobile radio communications (PIMRC) (s. 1-5). IEEE.
- Liwei, T., Li, F., Yu, S., & Yuankai, G. (2021). Forecast of LSTM-XGBoost in Stock Price Based on Bayesian Optimization. Intelligent Automation & Soft Computing, 29(3), 855-868. doi:http://dx.doi.org/10.32604/iasc.2021.016805
- Manasa, M., & Reddy, A. (2024). Stock Market Prediction Using Machine Learning and Deep Learning Algorithms. UGC Care Group I Listed Journal, 14(1), 49-60.
- Mehak, U., Adil, S., Raza, K., & Ali, S. (2016). Stock Market Prediction Using Machine Learning Techniques. 2016 3rd International Conference On Computer and Information Sciences (ICCOINS) (s. 322-327). IEEE.
- Miah, M., Hossain, M., Hossain, M., & Islam, M. (2015). Price prediction of stock market using hybrid model of artificial intelligence. International Journal of Computer Applications, 111(3).
- Oukhouya, H., & Himdi, K. (2023). Comparing machine learning methods—svr, xgboost, lstm, and mlp—for forecasting the moroccan stock market. Computer Sciences & Mathematics Forum, 7(1), 39.
- Oukhouya, H., Kadiri, H., Himdi, K., & Guerbaz, R. (2024). Forecasting International Stock Market Trends: XGBoost, LSTM LSTM-XGBoost, And Backtesting XGBoost Models. (200-209, Dü.) Statistics, Optimization & Information Computing, 12(1).
- Qihang, M. (2020). Comparison of ARIMA, ANN and LSTM for stock price prediction. In E3S Web of Conferences. EDP Sciences.
- Somkunwar, R., Pimpalkar, A., & Srivastava, V. (2024). A Novel Approach for Accurate Stock Market Forecasting by Integrating ARIMA and XGBoost. In 2024 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS) (s. 1-6). IEEE.
- Tong, Z., Li, H., & Zhang, Y. (2023). A Comparison of ARIMA, LSTM, XGBOOST and Hybrid in Stock Price Prediction. In 2023 5th International Conference on Applied Machine Learning (ICAML) (s. 18-25). IEEE.
- Tsai, C., & Wang, S. (2009). Stock price forecasting by hybrid machine learning techniques. In Proceedings of the international multiconference of engineers and computer scientists, Vol.1 No.755, s. 60.
- Xiao, C., Xia, W., & Jiang, J. (2020). Stock price forecast based on combined model of ARI-MA-LS-SVM. Neural Computing and Applications, 32(10), 5379-5388. doi:https://doi.org/10.1007/s00521-019-04698-5
- Zhang, J., Liu, H., Bai, W., & Li, X. (2024). A hybrid approach of wavelet transform, ARIMA and LSTM model for the share price index futures forecasting. The North American Journal of Economics and Finance, 69. doi:https://doi.org/10.1016/j.najef.2023.102022
- Zhu, R., Zhong, G.-Y., & Li, J.-C. (2024). Forecasting price in a new hybrid neural network model with machine. Expert Systems with Applications, 249. doi:https://doi.org/10.1016/j.eswa.2024.123697
İSLAMİ VE GELENEKSEL ENDEKSLERDE FİYAT TAHMİNİ: HİPERPARAMETRE OPTİMİZASYONU İLE HİBRİT MODEL ÖNERİLERİ
Öz
Hisse senedi fiyat tahmini karmaşık, durağan ve doğrusal olmayan bir zaman serisi tahminidir ve birçok faktörden etkilenmektedir. Bu durum da hisse senetlerinin gelecek fiyat tahminlerinin basit modellerle tahmin edilmesini zorlaştırabilmektedir. Dolayısıyla piyasa katılımcılarının kayıpları en aza indirmek ve karlarını maksimize etmek amacıyla bilinçli karar almaya çalıştıkları bu karmaşık ve dinamik piyasada, fiyatların doğru tahmini büyük önem arz etmektedir. Bu motivasyonla çalışmada İslami ve geleneksel kriterlerle oluşturulmuş seçili endekslerin gelecek fiyatlarının tahmin edilmesi ve en başarılı modelin tespit edilerek piyasa katılımcılarına fiyat tahminlemesi için model önerisi getirilmesi amaçlanmaktadır. Bu kapsamda, çalışmada 6 geleneksel, 6 İslami olmak üzere 12 Endeks ARIMA, XGBoost, LSTM ve Karar Ağacı yöntemleri ile analiz edilmiştir. Analizler neticesinde makine öğrenimi modellerinin gelenekseldendaha üstüm performans gösterdiği tespit edilmiştir. Bu bulgularla elde edilen en iyi parametreler aracılığıyla XGBoost-Karar Ağacı, LSTM- XGBoost ve LSTM-Karar Ağacı hibrit modelleri oluşturulmuştur. Bu doğrultuda optimize edilen hiper parametreler ile 1 geleneksel, 3 makine öğrenimi ve 3 hibrit model olmak üzere 7 algoritma ile 12 Endeks toplamda 84 farklı modelle analiz edilmiştir. Model performansını ölçmek için RMSE değerleri tespit edilmiş ve geliştirilen hibrit modeller kapsamında BİST Katılım 100 Endeksi’nde LSTM-Karar Ağacı; diğer tüm Endekslerde ise LSTM-XGBoost modelinin en iyi tahminci olduğu sonucuna ulaşılmıştır.
Anahtar Kelimeler
Kaynakça
- Ariyo, A., Adewumi, A., & Ayo, C. (2014). Stock price prediction using the ARIMA model. In 2014 UKSim-AMSS 16th international conference on computer modelling and simulation (s. 106-112). IEEE.
- Bhattacharjee, I., & Bhattacharja, P. (2019). Stock Price Prediction: A Comparative Study between Traditional Statistical Approach and Machine Learning Approach. 4th International Conference on Electrical Information and Communication Technology (EICT). IEEE.
- Dai, Y., Zhou, Q., Leng, M., Yang, X., & Wang, Y. (2022). Improving the Bi-LSTM model with XGBoost and attention mechanism: A combined approach for short-term power load prediction. Applied Soft Computing, 130. doi:https://doi.org/10.1016/j.asoc.2022.109632
- Göğen, E., & Güney, S. (2024). Machine learning-based weather prediction with radiosonde observations. Journal of the Faculty of Engineering and Architecture of Gazi University, 39(4), 2317-2328. doi:10.17341/gazimmfd.1163079
- Han, C., & Fu, X. (2023). Challenge and Opportunity: Deep Learning-Based Stock Price Prediction by Using Bi-Directional LSTM Model. Frontiers in Business, Economics and Management, 8(2), 51-54.
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation. 9(8), 1735–1780. Hossain, M., Karim, R., Thulasiram, R., Bruce, N., & Wang, Y. (2018). Hybrid deep learning model for stock price prediction. In 2018 ieee symposium series on computational intelligence (ssci) (s. 1837-1844). IEEE.
- Jijo, B., & Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. ournal of Applied Science and Technology Trends, 2(1), 20-28.
- Jing, N., Wu, Z., & Wang, H. (2021). A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction. Expert Systems with Applications, 178. doi:https://doi.org/10.1016/j.eswa.2021.115019
- Kabir, M., Sobur, A., & Amin, M. (2023). Stock Price Prediction Using the Machine Learning. nternational Journal of Computer Research and Technology (IJCRT), 11(7), 946-950.
- Karim, R., Alam, M., & Hossain, M. (2021). Stock market analysis using linear regression and decision tree regression. In 2021 1st International. In 2021 1st International Conference on Emerging Smart Technologies and Applications (eSmarTA) (s. 1-6). IEEE.
- Kumar, D., Thiruvarangan, B., Reddy C, S., Vishnu, A., Devi, A., & Kavitha, D. (2022). Analysis and prediction of stock price using hybridization of sarima and xgboost. In 2022 International Conference on Communication, Computing and Internet of Things (IC3IoT) (s. 1-4). IEEE.
- Li, L., Wu, Y., Ou, Y., Li, Q., Zhou, Y., & Chen, D. (2017). Research on machine learning algorithms and feature extraction for time series. In 2017 IEEE 28th annual international symposium on personal, indoor, and mobile radio communications (PIMRC) (s. 1-5). IEEE.
- Liwei, T., Li, F., Yu, S., & Yuankai, G. (2021). Forecast of LSTM-XGBoost in Stock Price Based on Bayesian Optimization. Intelligent Automation & Soft Computing, 29(3), 855-868. doi:http://dx.doi.org/10.32604/iasc.2021.016805
- Manasa, M., & Reddy, A. (2024). Stock Market Prediction Using Machine Learning and Deep Learning Algorithms. UGC Care Group I Listed Journal, 14(1), 49-60.
- Mehak, U., Adil, S., Raza, K., & Ali, S. (2016). Stock Market Prediction Using Machine Learning Techniques. 2016 3rd International Conference On Computer and Information Sciences (ICCOINS) (s. 322-327). IEEE.
- Miah, M., Hossain, M., Hossain, M., & Islam, M. (2015). Price prediction of stock market using hybrid model of artificial intelligence. International Journal of Computer Applications, 111(3).
- Oukhouya, H., & Himdi, K. (2023). Comparing machine learning methods—svr, xgboost, lstm, and mlp—for forecasting the moroccan stock market. Computer Sciences & Mathematics Forum, 7(1), 39.
- Oukhouya, H., Kadiri, H., Himdi, K., & Guerbaz, R. (2024). Forecasting International Stock Market Trends: XGBoost, LSTM LSTM-XGBoost, And Backtesting XGBoost Models. (200-209, Dü.) Statistics, Optimization & Information Computing, 12(1).
- Qihang, M. (2020). Comparison of ARIMA, ANN and LSTM for stock price prediction. In E3S Web of Conferences. EDP Sciences.
- Somkunwar, R., Pimpalkar, A., & Srivastava, V. (2024). A Novel Approach for Accurate Stock Market Forecasting by Integrating ARIMA and XGBoost. In 2024 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS) (s. 1-6). IEEE.
- Tong, Z., Li, H., & Zhang, Y. (2023). A Comparison of ARIMA, LSTM, XGBOOST and Hybrid in Stock Price Prediction. In 2023 5th International Conference on Applied Machine Learning (ICAML) (s. 18-25). IEEE.
- Tsai, C., & Wang, S. (2009). Stock price forecasting by hybrid machine learning techniques. In Proceedings of the international multiconference of engineers and computer scientists, Vol.1 No.755, s. 60.
- Xiao, C., Xia, W., & Jiang, J. (2020). Stock price forecast based on combined model of ARI-MA-LS-SVM. Neural Computing and Applications, 32(10), 5379-5388. doi:https://doi.org/10.1007/s00521-019-04698-5
- Zhang, J., Liu, H., Bai, W., & Li, X. (2024). A hybrid approach of wavelet transform, ARIMA and LSTM model for the share price index futures forecasting. The North American Journal of Economics and Finance, 69. doi:https://doi.org/10.1016/j.najef.2023.102022
- Zhu, R., Zhong, G.-Y., & Li, J.-C. (2024). Forecasting price in a new hybrid neural network model with machine. Expert Systems with Applications, 249. doi:https://doi.org/10.1016/j.eswa.2024.123697
PRICE FORECASTING IN ISLAMIC AND CONVENTIONAL INDICES: HYBRID MODEL PROPOSALS WITH HYPERPARAMETER OPTIMIZATION
Öz
Stock price forecasting is a complex, stationary, and nonlinear time series estimation problem influenced by numerous factors. This complexity renders basic models inadequate for producing accurate forecasts of future stock prices.. Thus, precise price forecasting is crucial in this intricate and dynamic market where participants strive to make well-informed decisions to minimize losses and maximize profits. Motivated by this necessity, the present study aims to forecast future prices of selected indices constructed according to both Islamic and traditional criteria and to propose the most effective forecasting model for market participants. . Twelve indices- six traditional and six Islamic- were examined in this context using the ARIMA, XGBoost, LSTM, and Decision Tree methods. The investigation revealed that machine learning models outperformed the conventional approaches in terms of outcomes. The optimal parameters were then acquired and XGBoost-Decision Tree, LSTM-XGBoost, and LSTM-Decision Tree hybrid models were developed based on the results obtained. In this regard, 84 distinct models with seven algorithms- 1 conventional, 3 machine learning, and 3 hybrid models- with optimized hyperparameters were applied to the 12 indices. RMSE values were used to evaluate model performance. The LSTM-Decision Tree model was shown to be the greatest predictor for the BIST Participation 100 Index, while the LSTM-XGBoost model was the best predictor for all other indices.
Anahtar Kelimeler
Kaynakça
- Ariyo, A., Adewumi, A., & Ayo, C. (2014). Stock price prediction using the ARIMA model. In 2014 UKSim-AMSS 16th international conference on computer modelling and simulation (s. 106-112). IEEE.
- Bhattacharjee, I., & Bhattacharja, P. (2019). Stock Price Prediction: A Comparative Study between Traditional Statistical Approach and Machine Learning Approach. 4th International Conference on Electrical Information and Communication Technology (EICT). IEEE.
- Dai, Y., Zhou, Q., Leng, M., Yang, X., & Wang, Y. (2022). Improving the Bi-LSTM model with XGBoost and attention mechanism: A combined approach for short-term power load prediction. Applied Soft Computing, 130. doi:https://doi.org/10.1016/j.asoc.2022.109632
- Göğen, E., & Güney, S. (2024). Machine learning-based weather prediction with radiosonde observations. Journal of the Faculty of Engineering and Architecture of Gazi University, 39(4), 2317-2328. doi:10.17341/gazimmfd.1163079
- Han, C., & Fu, X. (2023). Challenge and Opportunity: Deep Learning-Based Stock Price Prediction by Using Bi-Directional LSTM Model. Frontiers in Business, Economics and Management, 8(2), 51-54.
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation. 9(8), 1735–1780. Hossain, M., Karim, R., Thulasiram, R., Bruce, N., & Wang, Y. (2018). Hybrid deep learning model for stock price prediction. In 2018 ieee symposium series on computational intelligence (ssci) (s. 1837-1844). IEEE.
- Jijo, B., & Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. ournal of Applied Science and Technology Trends, 2(1), 20-28.
- Jing, N., Wu, Z., & Wang, H. (2021). A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction. Expert Systems with Applications, 178. doi:https://doi.org/10.1016/j.eswa.2021.115019
- Kabir, M., Sobur, A., & Amin, M. (2023). Stock Price Prediction Using the Machine Learning. nternational Journal of Computer Research and Technology (IJCRT), 11(7), 946-950.
- Karim, R., Alam, M., & Hossain, M. (2021). Stock market analysis using linear regression and decision tree regression. In 2021 1st International. In 2021 1st International Conference on Emerging Smart Technologies and Applications (eSmarTA) (s. 1-6). IEEE.
- Kumar, D., Thiruvarangan, B., Reddy C, S., Vishnu, A., Devi, A., & Kavitha, D. (2022). Analysis and prediction of stock price using hybridization of sarima and xgboost. In 2022 International Conference on Communication, Computing and Internet of Things (IC3IoT) (s. 1-4). IEEE.
- Li, L., Wu, Y., Ou, Y., Li, Q., Zhou, Y., & Chen, D. (2017). Research on machine learning algorithms and feature extraction for time series. In 2017 IEEE 28th annual international symposium on personal, indoor, and mobile radio communications (PIMRC) (s. 1-5). IEEE.
- Liwei, T., Li, F., Yu, S., & Yuankai, G. (2021). Forecast of LSTM-XGBoost in Stock Price Based on Bayesian Optimization. Intelligent Automation & Soft Computing, 29(3), 855-868. doi:http://dx.doi.org/10.32604/iasc.2021.016805
- Manasa, M., & Reddy, A. (2024). Stock Market Prediction Using Machine Learning and Deep Learning Algorithms. UGC Care Group I Listed Journal, 14(1), 49-60.
- Mehak, U., Adil, S., Raza, K., & Ali, S. (2016). Stock Market Prediction Using Machine Learning Techniques. 2016 3rd International Conference On Computer and Information Sciences (ICCOINS) (s. 322-327). IEEE.
- Miah, M., Hossain, M., Hossain, M., & Islam, M. (2015). Price prediction of stock market using hybrid model of artificial intelligence. International Journal of Computer Applications, 111(3).
- Oukhouya, H., & Himdi, K. (2023). Comparing machine learning methods—svr, xgboost, lstm, and mlp—for forecasting the moroccan stock market. Computer Sciences & Mathematics Forum, 7(1), 39.
- Oukhouya, H., Kadiri, H., Himdi, K., & Guerbaz, R. (2024). Forecasting International Stock Market Trends: XGBoost, LSTM LSTM-XGBoost, And Backtesting XGBoost Models. (200-209, Dü.) Statistics, Optimization & Information Computing, 12(1).
- Qihang, M. (2020). Comparison of ARIMA, ANN and LSTM for stock price prediction. In E3S Web of Conferences. EDP Sciences.
- Somkunwar, R., Pimpalkar, A., & Srivastava, V. (2024). A Novel Approach for Accurate Stock Market Forecasting by Integrating ARIMA and XGBoost. In 2024 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS) (s. 1-6). IEEE.
- Tong, Z., Li, H., & Zhang, Y. (2023). A Comparison of ARIMA, LSTM, XGBOOST and Hybrid in Stock Price Prediction. In 2023 5th International Conference on Applied Machine Learning (ICAML) (s. 18-25). IEEE.
- Tsai, C., & Wang, S. (2009). Stock price forecasting by hybrid machine learning techniques. In Proceedings of the international multiconference of engineers and computer scientists, Vol.1 No.755, s. 60.
- Xiao, C., Xia, W., & Jiang, J. (2020). Stock price forecast based on combined model of ARI-MA-LS-SVM. Neural Computing and Applications, 32(10), 5379-5388. doi:https://doi.org/10.1007/s00521-019-04698-5
- Zhang, J., Liu, H., Bai, W., & Li, X. (2024). A hybrid approach of wavelet transform, ARIMA and LSTM model for the share price index futures forecasting. The North American Journal of Economics and Finance, 69. doi:https://doi.org/10.1016/j.najef.2023.102022
- Zhu, R., Zhong, G.-Y., & Li, J.-C. (2024). Forecasting price in a new hybrid neural network model with machine. Expert Systems with Applications, 249. doi:https://doi.org/10.1016/j.eswa.2024.123697
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Uluslararası İktisat (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 12 Şubat 2025 |
| Kabul Tarihi | 17 Mayıs 2025 |
| Yayımlanma Tarihi | 9 Mart 2026 |
| DOI | https://doi.org/10.35379/cusosbil.1638421 |
| IZ | https://izlik.org/JA47SK38SC |
| Yayımlandığı Sayı | Yıl 2026 Cilt: 35 |
Amaç ve Kapsam
Enstitümüz ve Dergimiz Yayın Kurulunun amacı; çağdaş, güvenilir, bilimsel nitelik bakımından üstün bir derginin yaratılması ve yayımının sürdürülmesidir. Bu amacın gerçekleştirilmesi yolunda özveri göstererek bize destek veren, makalelerimizin bilimsel niteliklerinin belirlenmesinde yol gösterici olan ve hakemlik yapan öğretim üyelerine, yayın kurulumuz ve danışma kurulumuz üyelerine teşekkürü bir borç biliriz.
Dergimiz, sosyal bilimler alanında, bilimsel nitelik bakımından diğer nitelikli dergiler arasındaki yerini almış bulunmaktadır. Dergimizin bilimsel niteliğinin korunması ve daha da geliştirilebilmesi amacıyla yeniden yapılanma çalışmaları sürdürülmektedir.
Yazım Kuralları
Dergiye gönderilecek makalelerin yazımında uyulması gerekli kurallar aşağıda özetlenmiştir:
1. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Sürekli Yayın modeli ile yayımlanan hakemli bir dergidir.
2. Gönderilecek makalenin daha önce hiçbir yerde yayımlanmamış olması zorunludur.
3. Makaleler, Türkçe, İngilizce, Fransızca ya da Almanca olarak yayımlanabilir. Eğer makale İngilizce, Fransızca ya da Almanca dillerinden biriyle yazılırsa, mutlaka Türkçe özet ve başlığa yer verilmelidir.
4. Makaleler Türk Dil Kurumu yazım kurallarına uygun yazılmalıdır.
5. Makaleler, Microsoft Word 2003 veya üzeri sürümlerde yazılıp internet üzerinden online olarak gönderilmelidir.
6. Makalelerin başlığı metne uygun, ortalı; kısa ve açık ifadeli; büyük harflerle yazılmış olmalıdır.
7. Yazar adı, makaleye ortalanmalı; yazar birden fazla ise, adları yan yana yazılmalıdır. Yazarlara ait bilgiler (Üniversite adı, Fakülte adı, e-mail adresi, Orcid No) dipnotta verilmelidir.
8. Makalenin ilk sayfası sadece ÖZ ve ABSTRACT’tan oluşmalı, bu sayfa Makale Şablonu’na yerleştirilerek oluşturulmalıdır (bk. Makale Şablonu)
9. Makalelerde kâğıt boyutu: A-4 dikey, sayfa yapısı alt: 2,5 cm, üst: 2,5 cm, sol: 2,5 cm, sağ: 2,5 cm, üst bilgi: 3 cm, alt bilgi: 3 cm, yazı tipi: Times New Roman, punto: 10, satır aralığı: tek olarak ayarlanmalıdır. Makalenin tümü 8000 kelimeyi geçmemelidir.
10. Dipnotlar Times New Roman fontu kullanılarak 8 punto ile ve satır aralığı “tek” olacak şekilde yazılmalıdır. Eski harfli metin çalışmalarına dair notlar ve çalışmaya dair önemli açıklamalar dışında dipnot kullanılmamalıdır.
11. Öz 8 punto ve Times New Roman fontuyla yazılmalıdır. Bir paragraftan oluşmalı (birkaç paragraftan oluşsa da bir paragrafa sığdırılmalı), satır aralığı “tek” olacak şekilde ayarlanmalıdır. En az 150 en fazla 200 kelimeden meydana gelmelidir. Öz büyük harflerle metnin sol kenarına konulmalıdır.
12. Orijinal makalelerde bölümler aşağıdaki şekilde düzenlenmelidir:
GİRİŞ (en fazla 3 sayfa)
LİTERATÜR TARAMASI
YÖNTEM
ARAŞTIRMA BULGULARI
SONUÇ
13. Yukarıdaki ana bölüm başlıkları bold olarak büyük harfle sola yaslı yazılmalıdır. Başlıklara numara verilmemeli, paragraf girintisi olmamalıdır.
14. Alt bölüm başlıkları her kelimenin baş harfi büyük olacak şekilde koyu yazılmalı, 0,5 cm. içeriden başlamalıdır. Bütün paragraf girintileri aynı hizada olmalıdır.
15. Metinde tablolara yer verilecekse tablolar şu şekilde gösterilmelidir: “Tablo 1.”. Tablo ismi her kelimenin baş harfi büyük olacak şekilde tablonun üzerine ortalı bir şekilde yazılmalı, italik olmamalıdır. Şekillerde ise “Şekil 1.” denilerek her harfi büyük olacak şekilde şeklin altına ortalı yazılmalıdır. Şekil ve grafikler bilgisayarda çizilmeli; fotoğraf veya resimlerin çözünürlüğü yüksek olmalı, numaralandırılmalıdır.
16. Çalışmada hipotezlere yer verilecekse, hipotez gösterimi şöyle olmalıdır: “H1:”. Hipotezler italik yazılmamalıdır.
17. Makalede yararlanılan kaynaklar “SONUÇ” bölümünden sonra “KAYNAKLAR” başlığı altında verilmelidir. Times New Roman fontuyla 10 punto, sağ-sol 0, asılı 1,25, satır aralığı “tek” olacak şekilde hazırlanmalıdır. Her kaynaktan sonra 1 satır boşluk bırakılmalıdır.
18. Makaledeki kaynaklar APA 7 (https://apastyle.apa.org/) stiline uygun olarak yazılmalıdır. Örnek kaynak gösterimini ve makale yazımında uyulması gereken kuralları ayrıntılı olarak inceleyebilmek için Makale Şablonu’na bakabilirsiniz.
19. Dergiye gönderilecek makaleler için makale şablonuna bu bağlantıdan ulaşabilirsiniz. Makaleniz kabul edildikten sora ise işbu bağlantıdaki şablona aktarmanız gerekmektedir.
Guidelines for writing articles to be sent to the journal:
1. The Journal of Institute of Social Sciences of Çukurova University is a peer-reviewed journal published at least twice a year.
2. Papers must be submitted on the understanding that they have not been published elsewhere.
3. The articles can be written in Turkish, English, French or German. If the article has been written in English, French or German, a summary in Turkish must also be included.
4. The articles should be written in accordance with the spelling rules of the Turkish Language Association.
5. Articles should be written in Microsoft Word 2003 or higher and they should be submitted through the online system.
6. Use a concise and clearly written title that reflects the paper’s content. Use capital letters and center alignment.
7. Author names should be center aligned on the article; if there is more than one author, their names should be written side by side. Authorship information (University name, Faculty name, e-mail address, ORCID number) should be given in the footnote.
8. The first page of the article should consist of only SUMMARY and ABSTRACT using the Article Template (see Article Template).
9. Please adhere to the following formatting guidelines:
a. Paper size: A-4 vertical
b. Page layout: bottom 2.5 cm, top: 2.5 cm, left: 2.5 cm, right: 2.5 cm, header: 3 cm, footer: 3 cm.
c. Font: Times New Roman 10.
d. Use single line spacing. The entire article should not exceed 8,000 words.
10. Write the footnotes using Times New Roman 8 and single line spacing. Footnotes should not be used except for end notes about studies on texts with archaic letters and important explanation about the study.
11. The summary should be written using Times New Roman, 8 font size. It should not exceed one paragraph (it should fit into one paragraph if it should exceed one). Use single line spacing. The word length should be at least 150 and at the most 200. Align the summary to the left-hand side of the text.
12. Please adhere to the following formatting guidelines for the sections of the paper:
INTRODUCTION (max. 3 pages)
LITERATURE REVIEW
METHODOLOGY
RESEARCH FINDINGS
RESULTS/CONCLUSION
13. The section headings above should be written in bold with uppercase letters and aligned to the left. Titles should not be numbered and indented.
14. The subtitles should be written in bold starting each word with a capital letter. Indent the start of a paragraph 0.5 cm. and align all the paragraphs.
15. Guidelines for the tables in your article:
a. Add a numbered caption such as "Table 1.". The caption should be written above each table and center aligned starting with a capital letter, not italic. For the figures, add a numbered caption such as "Figure 1." below each figure and center align starting with a capital letter. Use the table-function of your word processor. Provide each figure in a high-resolution format and number each one.
16. If hypotheses are to be included in the study, they should be given as follows: "H1:" Hypotheses should not be written in italics.
17. The references section should appear at the end of the article after the “CONCLUSIONS” section and titled as “REFERENCES. Use Times New Roman 10 with left-right 0 and hanging 1,25. Use single line spacing and leave 1 space after each reference.
18. Make sure that the information in each reference is complete and accurate according to the APA style guide, 7th edition (https://apastyle.apa.org/). Refer to the Article Template for a detailed review of samples and the rules to follow in article writing.
19. You can access the article template for articles to be sent to the journal at the link. After your article is accepted, you need to transfer it to the template at the link.
Etik İlkeler ve Yayın Politikası
Etik İlkeler
Bu rehberin Dergiye çalışma gönderecek olan bütün araştırmacılarımız tarafından dikkatle incelenmesi gerekmektedir.
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Sosyal Bilimler alanında nitelikli bilimsel makale yayımlamak amacıyla aşağıda belirtilen etik ilkeler ve kurallara bağlı olarak yayınlanan hakemli bir dergidir.
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’ne gönderilen makaleler çift taraflı kör hakemlik süreciyle değerlendirilmektedir.
Dergi ücretsiz erişimle elektronik olarak yayımlanmaktadır.
Dergi sadece Dergi Park sistemi üzerinden makale kabul etmektedir.
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi bilimsel çalışmaların ilerletilebilmesi için bilgiye kolay ulaşılabilir olması gerektiğinin bilincinde bir dergi olarak, Budapeşte Açık Erişim Bildirgesinde yer alan, hakemli dergi literatürünün açık erişimli olması girişimini destekler ve yayınlanan tüm yazıları herkesin okuyabileceği ve indirebileceği bir ortamda ücretsiz olarak sunar.
Bu bildirgede açık erişim, “bilimsel literatürün İnternet aracılığıyla finansal, yasal ve teknik bariyerler olmaksızın, erişilebilir, okunabilir, kaydedilebilir, kopyalanabilir, yazdırılabilir, taranabilir, tam metne bağlantı verilebilir, dizinlenebilir, yazılıma veri olarak aktarılabilir ve her türlü yasal amaç için kullanılabilir olması” anlamında kullanılmıştır.
Bilimin ilerlemesinde bilgi paylaşımının rolü düşünüldüğünde, açık erişim, araştırmacılar ve okuyucular için büyük önem taşımaktadır. Bu sebeple bu dergide yer alan makaleler, yazarına ve orijinal kaynağa atıfta bulunulduğu sürece, kullanılabilir. Yazarlardan veya yayıncılardan izin alınması gerekmez.
Bilimsel bir çalışma ortaya koyan tüm paydaşların (yazar, editör, hakem, yayıncı ve okuyucu), bilimin doğru bir şekilde ilerlemesine katkı sağlaması hedeflenir. Bu hedef gereğince hazırlanan bilimsel çalışmalarda bilimsel etik ilkelere uygunluk önemlidir.
Bu etik ilkeler, COPE (Committee on Publication Ethics) tarafından hazırlanan yönerge esas alınarak tarafımızca kabul edilmiştir ve paydaşlar tarafından da benimsenmesi önerilerek, bir kısmı ile aşağıda sunulmuştur.
Buna göre Dergimiz için yazarların, dergi editörünün, hakemlerin ve yayıncının etik sorumlulukları, rolleri ve görevleri yer almaktadır. Ek olarak Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’nde intihal ve etik dışı davranışlar olarak kabul edilen durumlara ilişkin de bilgi verilmiştir. Bu politikalar hazırlanırken yararlanılan kaynaklar rehberin sonunda belirtilmiştir.
Yazar(lar)
• Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’ne gönderilen makalelerin Sosyal Bilimler alanında özgün çalışmalar olması gerekmektedir.
• Makalelerde yararlanılan tüm kaynaklar (yazarlar, çevrimiçi sayfalar, kişisel görüşmeler, vb.) için doğru ve uygun bir şekilde kaynak gösterilmelidir.
• Dergiye gönderilen makalelerin başka bir dergiye gönderilmediği belirtilmeli ve Telif Hakkı Devir Formu doldurulmalıdır.
• Makaleye fikren katkıda bulunmayan kişiler yazar olarak belirtilmemelidir.
• Gönderilen makaleye ilişkin çıkar çatışmaları belirtilmeli ve nedeni açıklanmalıdır.
• Yazarların, hakem sürecindeyken çalışmalarına ilişkin ham verileri editörler kuruluna iletmesi istenebilir, bu durumda yazarların ham verilerini editörler kuruluyla paylaşmaları beklenmektedir. Yazarlar, yayımlanan bir makaleye ilişkin verileri 5 yıl süreyle saklamakla yükümlüdürler.
• Yazarlar çalışmalarında bir hata tespit ettiklerinde editörü ve editörler kurulunu bilgilendirmeli, düzeltme ya da geri çekme süreci için işbirliği kurmalıdırlar.
• Yazarlar makalelerinde herhangi bir bireyi, topluluğu veya kurumu aşağılayan ve küçük düşüren bir dil ve tavır kullanamazlar.
Hakemler
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’ne gönderilen tüm makaleler çift taraflı kör hakemlik süreci ile değerlendirilmektedir. Çift taraflı kör hakemlik, yansız, nesnel ve bağımsız bir değerlendirme sürecinin sağlanabilmesi için yazarların hakemlerden, hakemlerin de yazarlardan gizli tutulması anlamına gelmektedir.
Makaleler, hakemlerin değerlendirmesine Dergi Park sisteminden iletilmektedir.
Hakemlerin, değerlendirdikleri makalenin alanlarına katkısı ve makalenin yayımlanabilir olup olmadığına ilişkin kararları ve bu kararlarına ilişkin gerekçelerini içeren bir form doldurmaları gerekmektedir.
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’nin hakemlerinin etik sorumlulukları ve rolleri aşağıda belirtildiği gibidir:
• Hakemlerin yalnızca uzmanlık alanlarına ilişkin makalelere hakemlik yapmaları gerekmektedir.
• Hakemlerden çıkar çatışmaları bulunmayan makalelere hakemlik yapmayı kabul etmeleri beklenmektedir. Hakemler herhangi bir çıkar çatışması fark ettiklerinde editörü bilgilendirmeli ve ilgili makalenin hakemliğini yapmayı reddetmelidirler.
• Hakemler makaleleri yansız ve nesnel olarak değerlendirmelidirler.
• Hakemlerin değerlendirdikleri makalelere ilişkin Hakem Değerlendirme Formu’nu doldurmaları gerekmekte, çift taraflı kör hakemlik sürecine zarar vermemek için formlarda isimlerini belirtmemeleri beklenmektedir.
• Hakemlerin değerlendirdikleri makalenin yayımlanabilir olup olmadığına ilişkin kararları ile kararlarına ilişkin gerekçelerini de bu formda belirtmeleri gerekmektedir.
• Hakemlerin önerilerinde kullandıkları üslubun kibar, saygılı ve bilimsel olması gerekmektedir. Hakemler saldırgan, saygısız ve öznel kişisel yorumlardan kaçınmalıdırlar. Hakemlerin bu tür bilimsel olmayan yorumlarda bulundukları tespit edildiğinde yorumlarını yeniden gözden geçirmeleri ve düzeltmeleri için editör ya da editörler kurulu tarafından kendileriyle iletişime geçilebilmektedir.
• Hakemlerin kendilerine verilen süre içerisinde değerlendirmelerini tamamlamaları gerekmekte ve burada belirtilen etik sorumluluklara uymaları beklenmektedir.
• Hakemler, inceledikleri bir makalede intihal veya intihal girişimi sayılabilecek noktalar gördüklerinde yazıyı hemen reddetmeli ve gerekçelerinde durumu belirtmelidirler.
Editör
Editörün ‘Yayın Etiği Komitesi’nin (Committe on PublicationEthics - COPE (https://publicationethics.org/)) yayınlamış olduğu ‘COPE Dergi Editörleri için Etik Davranışlar ve En İyi Uygulamalar Kılavuzu’ (COPE Code of Conduct and Best Practice Guidelines for Journal Editors (https://publicationethics.org/files/Code_of_conduct_for_journal_editors_Mar11.pdf)) ve ‘COPE Dergi Editörleri için En İyi Uygulamalar Kılavuzu’nda (COPE Best Practice Guidelines for Journal Editors (https://publicationethics.org/files/u2/Best_Practice.pdf)) yer alan ve aşağıda listelenen etik sorumluluklara uyması gerekmektedir.
Editör dergide basılan tüm makalelerden sorumludur. Editörün etik görevleri ve sorumlulukları aşağıdaki gibidir:
Genel Sorumluluklar
• Editör derginin niteliğinin artırılması ve gelişimine katkıda bulunmak için çaba sarf etmekle yükümlüdür.
• Editörün, yazarların ifade özgürlüğünü desteklemesi gerekmektedir.
Okuyucularla İlişkiler
• Editörün, dergide hakem değerlendirmesinin gerekli olmadığı bölümlerin (editöre mektup, davetli yazılar, konferans duyuruları vb.) açıkça belirtildiğinden emin olması gerekmektedir.
• Editörün yayımlanan makalelerin dergi okuyucularının bilgi ve becerileriyle uyumlu olabilmesi için çaba sarf etmesi gerekmektedir.
Hakemlerle İlişkiler
• Editör, hakemlerin bilgi ve uzmanlıklarına uygun makaleleri değerlendirmelerini istemelidir. Böylece makalelerin alanında uzman kişilerce uygun bir şekilde değerlendirilmesi sağlanmalıdır.
• Editör, hakemlerin bir makaleyi değerlendirmeden önce makaleye ilişkin çıkar çatışmaları bulunmadığını belirtmelerini talep etmekle yükümlüdür.
• Editörün, hakemden istenenleri, değerlendirme sürecine ilişkin bilgileri hakemlere iletmesi gerekmektedir.
• Editör, hakem değerlendirme sürecinin çift taraflı kör hakemlik ile sürdürüldüğünden emin olmalı ve yazarlara hakemleri, hakemlere de yazarları ifşa etmemelidir.
• Editör, hakemleri zamanlama ve performanslarına göre değerlendirmelidir.
• Editör, hakemlere ilişkin bir veri tabanı oluşturmalı ve hakemlerin performansına göre veri tabanını güncellemelidir.
• Editör, kaba ve niteliksiz yorumlarda bulunan ya da geç dönen hakemleri hakem listesinden çıkarmalıdır.
• Editör, hakem listesini hakemlerin uzmanlık alanlarına göre sürekli yenilemeli ve genişletmelidir.
Yazarlarla İlişkiler
• Editör, yazarlara kendilerinden ne beklendiğine ilişkin yayım ve yazım kuralları ile örnek şablonu gerektiğinde güncellemelidir.
• Editör, dergiye gönderilen makaleleri dergi yazım kuralları, çalışmanın önemi, özgünlüğü açısından değerlendirmeli ve makaleyi ilk gönderim sürecinde reddetme kararı alırsa, yazarlara bunun nedenini açık ve yansız bir şekilde iletmelidir. Bu süreçte makalenin dilbilgisi, noktalama, yazım kuralları (kenar boşlukları, uygun şekilde referans gösterme, vb.) açısından tekrar gözden geçirilmesi gerektiğine karar verilirse, yazarlar bu konuda bilgilendirilmeli ve gerekli düzeltmeleri yapabilmeleri için kendilerine zaman tanınmalıdır.
• Makalelerde gönderim ve yayıma kabul tarihleri yer almalıdır.
• Yazarların makalelerinin durumuna ilişkin bilgi talebi olduğunda çift taraflı kör hakemlik sürecini bozmayacak şekilde yazarlara makalelerinin durumuna ilişkin bilgi verilmelidir.
Editörler Kurulu ile İlişkiler
• Editör, yeni editörler kurulu üyelerine yayım ve yazım kurallarını iletmeli ve kendilerinden beklenenleri açıklamalıdır.
• Editör, editörler kurulu üyelerine yayım ve yazım kurallarının en güncel halini iletmelidir.
• Editör, editörler kurulu üyelerini değerlendirmeli ve derginin gelişimine aktif olarak katılım gösterecek üyeleri editörler kuruluna seçmelidir.
• Editör, editörler kurulu üyelerini aşağıda yer alan rolleri ve sorumluluklarına ilişkin bilgilendirmelidir.
- Derginin gelişimini desteklemek.
- Kendilerinden istendiğinde uzmanlık alanlarına ilişkin derlemeler yapmak.
- Yayım ve yazım kurallarını gözden geçirmek ve iyileştirmek.
- Derginin işletiminde gerekli sorumlulukları yerine getirmek.
Yayıncı
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü tarafından yayımlanmaktadır. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü kamu yararını gözeten ve kâr amacı gütmeyen bir kamu eğitim kuruluşudur.
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü, 1987 yılından bu yana, yayın kurulu ya da editörler kurulu yönetiminde sosyal bilimler alanının en köklü dergilerinden olarak bilimsel gelişmeye olan katkısını Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Yönetim Kurulu’nun yönetsel desteği ile sürdürmüştür.
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Editörler Kurulu’nu, Çukurova Üniversitesi’nde Sosyal Bilimler alanından farklı Fakültelerde görev yapan öğretim üyeleri oluşturur. Editörler Kurulu üyeleri, bilim dalları gözetilerek görevlendirilir. Editörler Kurulu başkanı olarak bir editör ve alan editörleri belirlenir. Ayrılan üyenin yerine yeni üye görevlendirilir. Süresi dolan üyenin süresi uzatılabilir. Editör, makalenin konusuna göre, gerekli olduğunda Editörler Kurulu üyesi olmayan öğretim üyelerine alan editörü olarak incelemesi için makale gönderebilir.
Yayıncının etik sorumlulukları aşağıdaki gibidir:
• Yayıncı, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’nde makale yayımlama sürecinde karar merciinin ve hakemlik sürecinin editörün sorumluluğu olduğunu kabul eder.
• Yayıncı derginin web sayfasında derginin açık, elektronik ve ücretsiz erişimini sağlar.
İntihal ve Etik Dışı Davranışlar
Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi’ne gönderilen tüm makaleler basılmadan önce IThenticate (http://www.ithenticate.com/) ya da Turnitin (https://www.turnitin.com/) yazılım programı ile taranmaktadır. Benzerlik oranı %20 ve altında olan makaleler yayına kabul edilir. Bu oranı aşan makaleler ayrıntılı olarak incelenir ve gerekli görülürse gözden geçirilmesi ya da düzeltilmesi için yazarlara geri gönderilir, intihal ya da etik dışı davranışlar tespit edilirse yayımlanması reddedilir.
Aşağıda etik dışı bazı davranışlar listelenmiştir:
• Çalışmaya fikren katkıda bulunmayan kişilerin yazar olarak belirtilmesi.
• Çalışmaya fikren katkıda bulunan kişilerin yazar olarak belirtilmemesi.
• Makale yazarın yüksek lisans/doktora tezinden ya da bir projeden üretilmişse bunun belirtilmemesi.
• Dilimleme yapılması yani, tek bir çalışmadan birden fazla makale yayımlanması.
• Gönderilen makalelere ilişkin çıkar çatışmalarının bildirilmemesi.
• Çift taraflı kör hakemlik sürecinin deşifre edilmesi.
İletişim:sbedergi@cu.edu.tr; nryilmaz@cu.edu.tr
Ücret Politikası
Tamamen ücretsizdir.
Dizinler
Atıf Dizinleri
Dergi Kurulları
İmtiyaz Sahibi (Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Adına)
Editör
Mizanpaj Editörü
Son Okuyucu
Alan Editörü
*
Çukurova Üniversitesi Eğitim Fakültesi İngiliz Dili Eğitimi anabilim Dalından mezun olduktan sonra aynı üniversitenin Sosyal bilimler Enstitüsüne bağlı olarak İngiliz Dili eğitimi ana bilim dalında Yüksek lisans ve doktora programlarını tamamladım. Mezun olduktan sonra 3 yıl MEB okullarında çalıştım. Daha sonra Çukurova Üniversitesi Yabancı Diller merkezinde öğretim görevlisi olarak çalıştım. Şimdi Çukurova Üniversitesi Eğitim Fakültesi İngiliz Dili Eğitimi anabilim dalında Dr. öğretim üyesi olarak çalışmaktayım. İngilizce öğretmeni yetiştirme, araştırma yöntemleri, mesleki gelişim ve öğretmenlik uygulaması ilgilendiğim ve araştırma yaptığım konuların arasında yer almaktadır.
Aydın Çam, Çukurova Üniversitesi İletişim Fakültesi'nde doçent olarak görev yapmaktadır. Araştırmaları ağırlıklı olarak Yeni Sinema Tarihi, Çukurova sinema tarihi ve sinema ve hareketlilik konularına odaklanmaktadır. Son dönemde Toroslar'ın yayla köylerinde gezici sinema deneyimleri, yerel filmler ve Adana sinema tarihinin haritalanması üzerine çalışmaktadır. Sinemasal mekânlar, mekân deneyimleri ve sinemasal mekânların haritalanması gibi sinema ve mekân ilişkileri ile de ilgilenmektedir.
Doç. Dr. Birsel Aybek, 1973 yılında Malatya'da doğdu. İlk ve orta öğrenimini Malatya'da tamam ladı. 1996'da Çukurova Üniversitesi Eğitim Programları ve Öğretim Anabilim Dalın' da lisans öğrenimini, 2000 yılında Çukurova Üniversitesi Sosyal Bilimler Enstitüsü'nde yüksek lisansını, 2006 yılında ise Çukurova Üniversitesi Sosyal Bilimler Enstitüsü'nde doktora eğitimini tamamladı. 1998 yılında Çukurova Üniversitesi Eğitim Fakültesi Eğitim Bilimleri Bölümünde öğretim görevlisi olarak göreve başlayan Aybek, halen aynı üniversitede doçent olarak görev yapmaktadır. Aynı zamanda, 2016-2020 yılları arasında Eğitim Fakültesi dekan yardımcılığı idari görevini yürütmüştür. Aybek 2022 yılından beri Çukurova Üniversitesi Eğitim ve Öğretimden sorumlu öğrenci dekanı olarak görev yapmaktadır. Aybek, aynı zamanda Çukurova Üniversitesi Eğitim Fakültesi senato temsilci üyesidir.
Program geliştirme, disiplinlerarası öğretim, eleştirel düşünme, eğitim teknolojisi, medya-okuryazarlığı, öğrenme-öğretme süreci, öğretmen yetiştirme, eğitimde etik gibi birçok konu üzerinde çalışmalar yapan ve lisansüstü tezleri yöneten Aybek'in yurtiçi ve yurtdışı kongrelerde sunulmuş 91 bildirisi, ulusal ve uluslararası dergilerde yayınlanmış 66 makalesi, yazılmış iki bilimsel kitabı, 2 çeviri kitabı ve 3 kitap bölümü ve kurum içi -dışı yapılmış bir çok projesi bulunmaktadır. Ayrıca akademisyenin alanıyla ilgili birçok kurum ve kuruluşlarda vermiş olduğu çok sayıda konferansı, semineri ve eğitimi bulunmaktadır.
İstatistik Editörü
Dil Editörü
1993 yılında beri Çukurova Üniversitesi Eğitim Fakültesi Alman Dili Eğitimi Ana Bilim Dalı'nda öğretim Üyesi
