Borsa İstanbul Endeksinin Yapay Sinir Ağı İle Alternatif Tahmini

Yıl 2025, Cilt: 10 Sayı: 4, 500 - 515, 01.01.2026

Şenol Altan

https://doi.org/10.29106/fesa.1759539

Öz

Bu çalışmada, BIST 100 endeksi, fiyat hareketleri üzerinde etkili olan makro değişkenler kullanılarak iki farklı YSA modeliyle tahmin edilmiştir. Modelin oluşturulmasında 2013-2024 yıllarına ait günlük yayınlanan, döviz kurları, emtia fiyatları, dünya borsa endeksleri ve BIST 100 endeksi işlem hacmi değişkenleri ve aylık yayınlanan enflasyon, faiz, endeksler ve işsizlik oranı değişkenleri kullanılarak endeks bu iki veri gurubuyla ayrı ayrı hesaplanmıştır. YSA modelinin kurgusunun ilki veri setinin eğitim, değerleme ve test aşamaları için iki farklı şekilde ayrıştırılması iken diğeri ise farklı nöron sayılarının dikkate alınmasıdır. Kurgulanan tüm model çözümleri sonucunda günlük verilerde modelin başarı oranı %99, aylık verilerin kullanıldığı model de ise modelin başarı oranı %98 olarak bulunmuştur. Her iki tahmin değerinin istatistiksel başarısının oldukça yüksek olduğu görülmektedir. Her İki farklı veri setine dayalı olarak yapılan tahminler gerçek endeks değerleri ile karşılaştırılmış ve her iki tahminde de BIST 100 endeksinin gerçek verilerine çok yüksek bir istatistiksel kabul oranı ile ulaşılmıştır.

Anahtar Kelimeler

BIST100 Endeksi , Makroekonomik Veri , Yapay Sinir Ağı , Borsa , Tahmin

Alternatıve Forecastıng Of The Borsa Istanbul Index Usıng Artıfıcal Neural Networks

Öz

This study forecasts the BIST 100 index using two different ANN models. The models were trained on two datasets comprising daily and monthly macroeconomic data from 2013 to 2024. The daily macroeconomic indicators included exchange rates, commodity prices, global stock market indices, and index trading volume, while the monthly macroeconomic variables included inflation, interest rates, index values, and unemployment rates. The index was calculated separately using these two datasets. The ANN models assessed the predictive power of the macroeconomic indicators and were configured in two ways: one with different training/evaluation/testing splits, and another with varied neuron counts. The model achieved 99% success rate using daily data and 98% with monthly data, both demonstrating very high statistical accuracies. The predictions were compared with the actual index values, and in both cases, the estimated values were found to align with the real data with a very high statistical acceptance rate.

Anahtar Kelimeler

BIST100 Index , Macroeconomic Data , Artificial Neural Network , Stock Market , Prediction. , Prediction

Etik Beyan

Etik kurallarına aykırı bir durum söz konusu değildir.

Kaynakça

• Agatonovıc, S., ve Beresford, R. (2000). Basic Concepts of Artificial Neural Network (ANN).
• Albayrak, A. S., Öztürk, N., ve Tüylüoğlu, Ş. (2012). Makroekonomik Değişkenler ile Sermaye Hareketlerinin İMKB-100 Endeksi Üzerindeki Etkisinin İncelenmesi. Ekonomik ve Sosyal Araştırmalar Dergisi, 8(2), 1-22.
• Asilkan, Ö., ve Irmak, A. G. S. (2009). İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları ile Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2), 375-391.
• Aslan, M. (2022). Hisse Senedi Piyasalarının Belirleyicileri: Uluslararası Bir Uygulama, Yüksek Lisans Tezi, Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü, Denizli.
• Aytüre, S., ve Keskin, M. (2024). The Relationship Between the Istanbul Stock Market and Türkiye’s Foreign Trade. Business & Management Studies: An International Journal, 12(2), 345-355.
• Borsa İstanbul. (2024). Borsa İstanbul Hakkında. https://www.borsaistanbul.com/files/bist-pay-endeksleri-temel-kurallari-31122014-.pdf (Erişim tarihi: 6 Kasım 2024).
• Borsa İstanbul. (2025). BIST Pay Endeksleri Temel Kuralları. https://www.borsaistanbul.com/files/bist-pay-endeksleri-temel-kurallari-31122014-.pdf (Erişim tarihi: 23 Şubat 2025).
• Botchkarev, A. (2019). Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology. Interdisciplinary Journal of Information, Knowledge and Management. 14, 45-79
• Boyd, J. H., Hu, J., ve Jagannathan, R. (2005). The Stock Market's Reaction to Unemployment News: Why Bad News is Usually Good for Stocks. The Journal of Finance, 60(2), 649-672.
• Chen, A. S., Leung, M. T., ve Daouk, H. (2003). Application of Neural Networks to An Emerging Financial Market: Forecasting and Trading the Taiwan Stock Index. Computers & Operations Research, 30(6), 901-923.
• Demirel, A. C., ve Hazar, A. (2021). Borsa Endekslerinin Birbirleriyle Etkileşimi ve Endeks Yönünün Tahmini: BİST100 Üzerine Bir Uygulama. Ekonomi ve Finansal Araştırmalar Dergisi, 3(1), 1-8.
• Dilsiz, S. (2015). Bulanık Mantık ve Yapay Sinir Ağları ile Türkçe Yazım Denetleyicisi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Dorofki, M., Elshafie, A. H., Jaafar, O., Karim, O. A., ve Mastura, S. (2012). Comparison of Artificial Neural Network Transfer Functions Abilities to Simulate Extreme Runoff Data. International Conference on Environment, Energy and Biotechnology IPCBEE, 33.
• Güçlü, D. (2024). Yapay Sinir Ağları ile Hisse Senetlerinin Fiyat Tahmini: BIST Elektrik Endeksi Örneği, Yüksek Lisans Tezi, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, Kayseri.
• Gürsoy, A. (2019). Makroekonomik Değişkenlerin Hisse Senedi Getirilerine Etkisi: Bankacılık Sektörü Örneği. Ekonomi ve Finansal Araştırmalar Dergisi, 1(1-2), 1-25.
• Goel, H., ve Singh, N. P. (2022). Dynamic Prediction of Indian Stock Market: An Artificial Neural Network Approach. International Journal of Ethics and Systems, 38(1), 35-46.
• Hagan, M. T., ve Menhaj, M. B. (1994). Training Feedforward Networks with The Marquardt Algorithm. IEEE Transactions on Neural Networks, 5(6), 989-993.
• Jayalakshmi, T., ve Santhakumaran, A. (2011). Statistical Normalization and Back Propagation For Classification. International Journal of Computer Theory and Engineering, 3(1), 1793-8201.
• Kalogirou, S. A. (2000). Applications of Artificial Neural-Networks for Energy Systems. Applied Energy, 67(1-2), 17-35.
• Kanalıcı, H. (1997). Hisse Senedi Fiyatlarının Tespiti ve Tesir Eden Faktörler (1. baskı). SPK Yayınları.
• Kantar, L. (2020). BİST 100 Endeksinin Yapay Sinir Ağları ve ARMA Modeli ile Tahmini. Muhasebe ve Finans İncelemeleri Dergisi, 3(2), 121-131.
• Korkmaz, T., ve Çevik, E. (2009). Reel Kesim Güven Endeksi ile İMKB 100 Endeksi Arasındaki Dinamik Nedensellik İlişkisi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 38(1), 24-37.
• Krugman, P. R., Obstfeld, M., ve MELİTZ, M. (2012). International Economics: Theory and Policy (10th ed.). Pearson.
• Metin, H. M. (2024). Derin Öğrenmeyle Hisse Senedi Değerlerinin Tahmin Edilmesi, Doktora Tezi, Muğla Sıtkı Koçman Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, Muğla.
• Mukkamala, S., Sung, A. H., ve Abraham, A. (2003). Intrusion Detection Using Ensemble of Soft Computing Paradigms. In A. Abraham, K. Franke, & M. Köppen (Eds.), Intelligent system design and application (ss. 239-250). Springer.
• Moghaddam, A. H., Moghaddam, M. H., ve Esfandyari, M. (2016). Stock Market İndex Prediction Using Artificial Neural Network. Journal of Economics, Finance and Administrative Sciences, 21, 89-93.
• Nalın, H. T., ve Güler, S. (2013). İstanbul Menkul Kıymetler Borsası’nda İşlem Hacmi ile Getiri İlişkisi. Muhasebe ve Finansman Dergisi, (59), 135-148.
• Şekeroğlu, G., Uçan, O., ve Acar, M. (2019). Enflasyon ve Dış Ticaret Açığının Borsa Endeks Getirileri Üzerindeki Etkisi: Borsa İstanbul 100 Endeksinde Bir Uygulama. Muhasebe ve Finansman Dergisi, (82), 221-234.
• Sıbı, P., Jones, S. A., ve Sıddarth, P. (2013). Analysis of Different Activation Functions Using Back Propagation Neural Networks. Journal of Theoretical and Applied Information Technology, 47(3), 1264-1268.
• Şener, S., Yılancı, V., ve Tıraşoğlu, M. (2013). Petrol Fiyatları ile Borsa İstanbul’un Kapanış Fiyatları Arasındaki Saklı İlişkinin Analizi. Sosyal Ekonomik Araştırmalar Dergisi, 13(26), 231-248.
• Taşdemir, A. (2024). Satın Alma Yöneticileri Endeksi (PMI) ile Finansal Piyasalar Arasındaki İlişki: Türkiye Örneği. Iğdır Üniversitesi Sosyal Bilimler Dergisi, (37).
• Thawornwong, S., ve Enke, D. (2004). The Adaptive Selection of Financial And Economic Variables For Use with Artificial Neural Networks. Neurocomputing, 56, 205-232.
• Toraman, C. (2008). Demir-çelik Sektöründe Yapay Sinir Ağları ile Hisse Senedi Fiyat Tahmini: Erdemir AŞ ve Kardemir AŞ Üzerine Bir Tahmin Uygulaması. Muhasebe ve Finansman Dergisi, (39), 44-57.
• Tüzün, O., Ceylan, I. E., ve Ceylan, F. (2021). Güven Endeksleri ile Hisse Senedi Piyasası Arasındaki Nedensellik Analizi: Türkiye Örneği. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 30(2), 166-181.
• Tripathi, V., ve Kumar, A. (2014). Relationship Between Inflation And Stock Returns-Evidence from BRICS Markets Using Panel Cointegration Test. International Journal of Accounting and Financial Reporting, 4(2), 647.
• Ilgın, K. S., ve Sarı, S. S. (2021). BIST-100 Endeks Hareketlerinin BRICS Endeksleri Aracılığıyla Tahmin Edilmesi: Yapay Sinir Ağları Uygulaması. Abant Sosyal Bilimler Dergisi, 22(1), 350-366.
• Omarova, G. (2023). BİST100 ve Sektör Endeksleri ile Seçilen Makro Değişkenler Arasındaki İlişkinin İncelenmesi: Türkiye Örneği, Yüksek Lisans Tezi, Artvin Çoruh Üniversitesi, Artvin.
• Wongbangpo, P., ve Sharma, S. C. (2002). Stock Market and Macroeconomic Fundamental Dynamic İnteractions: ASEAN-5 Countries. Journal of Asian Economics, 13(1), 27-51.
• Yılmaz, T., ve Yerdelen Kaygın, C. (2018). Türk ve Alman Borsalarında Fiyat-Hacim İlişkisini İncelemeye Yönelik Karşılaştırmalı Bir Analiz. Electronic Turkish Studies, 13(22). 607-6018.
• Zhang, G., ve Hu, M. Y. (1998). Neural Network Forecasting of The British Pound/US Dollar Exchange Rate. Omega International Journal of Management Science, 26(4), 495-506