PREDICTING THE BIST100 INDEX PRICE USING LSTM, CNN-LSTM, AND BILSTM MODELS

Yıl 2025, Cilt: 14 Sayı: 2, 1 - 24, 31.12.2025

İrem Varürer , Özer Özaydın , Fatih Çemrek

Öz

Deep learning, which has found its place in many fields, is one of the most popular topics studied today. As the technology develops and studied, there are new models of deep learning. Deep learning models, which are frequently used in finance, come to the forefront especially in forecasting studies. In this study, a comparative analysis is carried out using deep learning models LSTM, BILSTM and CNN-LSTM to predict the Borsa Istanbul (BIST100) index. Daily BIST100 data between January 1, 2014 and February 28, 2025 as well as global indices such as DAX, NASDAQ, S&P 500, NIKKEI 225 and FTSE 100 are included in the model as independent variables. The performance of the models built using Python programming language and Keras library is evaluated with the RMSE metric. According to the results obtained, the CNN-LSTM model showed the most successful forecasting performance with the lowest RMSE value of 170.8730. The BILSTM model ranked second with an RMSE value of 178.5661, while the LSTM model showed the lowest performance with an RMSE value of 308.5097. These findings suggest that deep learning-based models can be used effectively in predicting the BIST100 index and that different model combinations may provide more successful results in future studies.

Anahtar Kelimeler

BIST100 , Deep Learning , BILSTM , LSTM , CNN-LSTM

BIST100 ENDEKSİ FİYATININ LSTM, CNN-LSTM VE BILSTM MODELLERİ İLE TAHMİN EDİLMESİ

Öz

Kendine birçok alanda yer bulan derin öğrenme günümüzün üzerine çalışılan en popüler konulardandır. Teknolojinin gelişip üzerine çalışıldıkça derin öğrenmenin yeni modelleri bulunmaktadır. Finans alanında da sıkça kullanılan derin öğrenme modelleri özellikle tahminleme çalışmalarında da ön plana çıkmaktadır. Bu çalışmada, Borsa İstanbul (BIST100) Endeksinin tahmini amacıyla derin öğrenme modelleri olan LSTM, BILSTM ve CNN-LSTM kullanılarak karşılaştırmalı bir analiz gerçekleştirilmiştir. 1 Ocak 2014 ile 28 Şubat 2025 tarihleri arasındaki günlük BIST100 verilerinin yanı sıra DAX, NASDAQ, S&P 500, NİKKEİ 225 ve FTSE 100 gibi global borsa endeksleri bağımsız değişkenler olarak modele dahil edilmiştir. Python programlama dili ve Keras kütüphanesi kullanılarak oluşturulan modellerin performansı RMSE (Root Mean Square Eror) metriği ile değerlendirilmiştir. Elde edilen sonuçlara göre, en düşük RMSE değeri olan 170.8730 ile CNN-LSTM modeli en başarılı tahminleme performansını göstermiştir. BILSTM modeli 178.5661 RMSE değeriyle ikinci sırada yer alırken, LSTM modeli 308.5097 RMSE değeriyle en düşük performansı sergilemiştir. Bu bulgular, BIST100 endeksin tahmininde derin öğrenme tabanlı modellerin etkili bir şekilde kullanılabileceğini ve gelecekteki çalışmalarda farklı model kombinasyonlarının daha başarılı sonuçlar sağlayabileceğini ortaya koymaktadır.

Anahtar Kelimeler

BIST100 , Derin Öğrenme , BILSTM , LSTM , CNN-LSTM

Kaynakça

• Akbulut, S. (2022, Mart). Makine Öğrenmesi ve Derin Öğrenme Yöntemleri Kullanılarak BIST100 Endeksi ile Emtia, Döviz Fiyayları ve Gelişmekte olan Ülkelerin Borsa Endeksleri Arasındaki İlişkinin İncelenmesi. Yüksek Lisans Tezi. Aksaray, Türkiye: AKSARAY ÜNİVERSİTESİ.
• Akusta, A., & Salur, M. N. (2024). Derin Öğrenme Tabanlı Fiyat Tahmini ve Algoritmik Ticaret: BIST100 Endeksinde Bir Uygulama . Fiscaoeconomia, s. 8(3), 1194-1215.
• Altuntaş, Y., & Kocamaz, A. F. (2023, Aralık 20). Derin Öğrenme Tabanlı Görüntü Sınıflandırma Yaklaşımı ile Borsa İstanbul 100 Endeks Yönünün Tahmini . Journal of Computer Science , s. 93-101.
• Babu, D. R., & Sathyanarayana, B. (2023, Aralık). DESIGN OF MULTILAYERED BIDIRECTIONAL LSTM NETWORK FOR STOCK PRICE PREDICTION USING DIF FEATURES. International Journal of Engineering Sciences & Research Technology.
• Chalvatzis, C., & Hristu-Varsakelis, D. (2019). High-performance stock index trading: making effective use of a deep long short-term memory network. arXiv preprint arXiv:1902.03125v2. https://doi.org/10.48550/arXiv.1902.03125
• Çelik, Y. (2024, Mayıs). Bellek Tabanlı LSTM ve GRU Makine Öğrenmesi Algoritmaları Kullanarak BIST100 Endeks Tahmini . Fırat Üniversitesi Müh. Bil. Dergisi, s. 553-561.
• Çınar, U. K. (2018, Ağustos 13). Yapay Sinir Ağları ve R Programıyla Uygulama. Veri Bİlimi Okulu: https://www.veribilimiokulu.com/yapay-sinir-aglari/ adresinden alındı
• Çoban, A., & Özyurt, F. (2022). Kapsül Ağları ile Yüz Verilerinin Sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi , 176-183.
• Fertekligil, A. (2000). Türkiye’de borsanın tarihçisi. İstanbul: İMKB Yayınları.
• Gayhardt, L., Garimella, A., Salgado, S., Gilley, S., Franks, L., Brizi, M., . . . Lu, P. (2024, 01 19). Deep learning vs. machine learning in Azure Machine Learning. Microsoft Laern: https://learn.microsoft.com/en-us/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2 adresinden alındı
• Güney, E. N. (2022, Mart). Derin öğrenmede istatistiksel yöntemlerle hisse senedi fiyatı öngörüsü. Yüksek Lisans Tezi. Isparta: Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü.
• Karataş, G. (2020, Mayıs). Derin öğrenme tabanlı saldırı tespit sistemi. Doktora Tezi. İstanbul: Marmara Üniversitesi Fen Bilimleri Enstitüsü.
• Karslı, M., & Karaman, H. (1994). İslam açısından borsa. İstanbul.
• Livieris, I. E., Pintelas, E., & Pintelas, P. (2020, Nisan 13). A CNN–LSTM model for gold price time-series forecasting. Neural Computing and Applications, s. 32:17351–17360.
• McCulloch, W. S., & Pitts, W. (1943). A Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, 115-133.
• Öztürk, K., & Şahin, M. E. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-i Vekayi, 25-36.
• Sen, J., Dutta, A., & Mehtab , S. (2021, Mayıs 21-23). Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model. IEEE International Conference on Emerging Technologies.
• Siami-Namini, S., Tavakoli, N., & Siami Namin, A. (2019). A comparative analysis of forecasting financial time series using ARIMA, LSTM, and BILSTM. arXiv preprint arXiv:1911.09512. https://doi.org/10.48550/arXiv.1911.09512
• Sönmez, L., & Çoşkun Arslan, M. (2024). LSTM MODELİ İLE VOLATİLİTE TEMELLİ BORSA TAHMİNİ . International Journal of Accounting and Finance Researches, s. 6(2), 48-61.
• Şişmanoğlu, G., Koçer, F., Önde, M. A., & Şahingöz, Ö. K. (2020). Derin Öğrenme Yöntemleri ile Borsada Fiyat Tahmini. BEÜ Fen Bilimleri Dergisi, s. 434-445.
• TAŞ, A. İ., Gülüm, P., & Tulum, G. (2021). Finansal Piyasalarda Hisse Fiyatlarının Derin Öğrenme ve Yapay Sinir Ağı Yöntemleri ile Tahmin Edilmesi; S&P 500 Endeksi Örneği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, s. 446-460.
• Varürer, İ., & Özaydın, Ö. (2024). BILSTM Derin Öğrenme Modeli ile Gümüş Fiyatı Tahmini. Alpu, Ö. (Ed.). İstatistikte Güncel Konular (s. 123-145). Eğitim Yayınevi.
• Zhang, J., Ye, L., & Lai, Y. (2023, Nisan 23). Stock Price Prediction Using CNN-BILSTM-Attention Model. Mathematics, s. 11, 1985.