Forecasting Stock Prices Using CatBoost and Support Vector Machine Methods: An Application to the BIST Participation 30 Index

Öz

The aim of this study is to forecast the future prices of the shares of companies continuously traded on the Borsa Istanbul (BIST) Katılım 30 Index during the period from 3 January 2022 to 31 December 2025. To this end, the daily closing prices and financial statements of these companies’ shares for the specified dates were obtained. Nine selected financial ratios were calculated from these statements. Following the collection of the data, the future prices of the companies’ shares were forecast using the CatBoost and Support Vector Machines (SVM) methods. The results of the study indicated that the CatBoost algorithm produced more successful results in share price forecasting compared to the SVM algorithm. Upon examination of the test data set results, it was observed that the CatBoost algorithm achieved an R² value of 0.726, whilst the SVM algorithm reached an R² value of 0.495. Furthermore, the CatBoost algorithm produced lower error values in the RMSE and MSE error metrics, and it was shown that the CatBoost algorithm demonstrated higher performance in explaining and forecasting changes in share prices. According to the results of the SHAP analysis carried out following the evaluation of the algorithms’ forecasting performance, it was determined that the Equity/Total Assets ratio was the most significant variable in forecasting share prices for both models. A review of studies on share price forecasting using the CatBoost and Support Vector Machines methods on the BIST Participation 30 Index in Turkey revealed that no such studies had been conducted on the relevant index for the specified dates. This highlights the originality of the present study and its contribution to the financial literature.

Anahtar Kelimeler

• Share Price Forecast
• BIST Participation 30 Index
• CatBoost
• Support Vector Machines

Hisse Senedi Fiyatlarının CatBoost ve Destek Vektör Makineleri Yöntemleriyle Tahmin Edilmesi: BIST Katılım 30 Endeksi Uygulaması

Öz

Çalışmada, 3 Ocak 2022 ile 31 Aralık 2025 periyodunda Borsa İstanbul (BIST) Katılım 30 Endeksinde sürekli olarak işlem gören işletmelerin hisse senetlerinin gelecek fiyatlarının tahmin edilmesi amaçlanmıştır. Bu kapsamda işletme hisse senetlerinin belirtilen tarihlerdeki günlük kapanış fiyatlarına ve finansal tablolarına ulaşılmıştır. Bu tablolardan seçili 9 finansal oran hesaplanmıştır. Veri teminini takiben CatBoost ve Destek Vektör Makineleri (DVM) yöntemleri kullanılarak işletmelerin hisse senetlerinin gelecek fiyatları tahmin edilmiştir. Çalışma sonucunda, CatBoost algoritmasının hisse senedi fiyat tahmininde DVM algoritmasına kıyasla daha başarılı sonuçlar ürettiği belirlenmiştir. Test veri seti sonuçları incelendiğinde CatBoost algoritmasının 0,726 R² değeri elde ettiği, DVM algoritmasının ise 0,495 R² değerine ulaştığı görülmüştür. Bununla birlikte CatBoost algoritmasının RMSE ve MSE hata ölçütlerinde daha düşük hata değerleri ürettiği ve yine CatBoost algoritmasının hisse senedi fiyatlarındaki değişimi açıklama ve tahmin etme konusunda daha yüksek performans sergilediğini göstermiştir. Algoritmaların tahmin performanslarının değerlendirilmesinin ardından gerçekleştirilen SHAP analizi sonuçlarına göre her iki modelde de Özsermaye/Toplam Aktifler oranının hisse senedi fiyatlarının tahmininde en önemli değişken olduğu belirlenmiştir. Türkiye’de BIST Katılım 30 Endeksi üzerine CatBoost ve Destek Vektör Makineleri yöntemleri kullanılarak yapılan hisse senedi fiyat tahmini çalışmaları araştırıldığında belirtilen tarihler için ilgili endeks üzerinde herhangi bir çalışmaya rastlanamamıştır. Bu durum çalışmanın özgün yanını ve finans literatürüne olan katkısını ifade etmektedir.

Anahtar Kelimeler

• Hisse Senedi Fiyat Tahmini
• BIST Katılım 30 Endeksi
• CatBoost
• Destek Vektör Makineleri

Kaynakça

1. Akşehir, Z. D. ve Kılıç, E. (2019). Makine öğrenmesi teknikleri ile banka hisse senetlerinin fiyat tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 12(2), 30-39. Erişim adresi: https://dergipark.org.tr/tr/pub/bbmd
2. Akusta, A. (2025). Makine öğrenmesinde sektörel veri entegrasyonu: Emlak gayrimenkul yatırım ortaklığı hisse senedi fiyat tahmini. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (56), 147-161. https://doi.org/10.52642/susbed.1533673
3. Akusta, A. ve Salur, M. N. (2024). Derin öğrenme tabanlı fiyat tahmini ve algoritmik ticaret: BİST 100 endeksinde bir uygulama. Fiscaoeconomia, 8(3), 1194-1215. https://doi.org/10.25295/fsecon.1447129
4. Albayrak, E. ve Saran, A. N. (2023). İstatistiksel ve derin öğrenme modellerini kullanarak hisse senedi fiyat tahmini. Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16(2), 161-169. https://doi.org/10.54525/tbbmd.1031017
5. Arslankaya, S. ve Toprak, Ş. (2021). Makine öğrenmesi ve derin öğrenme algoritmalarını kullanılarak hisse senedi fiyat tahmini. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 13(1), 178-192. https://doi.org/10.29137/umagd.771671
6. Ashawa, M. ve Young, A. (2025). Stock price prediction: a machine learning approach. Cloud Computing and Data Science, 7(1), 41-62. https://doi.org/10.37256/ccds.7120268731
7. Bahloul, S., Mroua, M. ve Naifar, N. (2017). Further evidence on international Islamic and conventional portfolios diversification under regime switching. Applied Economics, 49(39), 3959-3978. https://doi.org/10.1080/00036846.2016.1273496
8. Bansal, M., Goyal, A. ve Choudhary, A. (2022). Stock market prediction with high accuracy using machine learning techniques. Procedia Computer Science, 215, 247-265). https://doi.org/10.1016/j.procs.2022.12.028

9. Bardak, S., Ersen, N., Polat, K. ve Akyüz, K. C. (2024). Makine öğrenmesi yöntemleri ile hisse senedi fiyat tahmini: Kâğıt firması örneği. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 25(2), 47-58. https://doi.org/10.17474/artvinofd.1500569
10. Büyükkör, Y. ve Doğan, S. (2024). Borsa endeks yönünün ağaç tabanlı topluluk makine öğrenmesi yöntemleri ile tahmini: BİST-100 örneği. Bingöl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (27), 324-335. https://doi.org/10.29029/busbed.1391790
11. Çam, S. (2024). Hisse senedi fiyatlarının VAR modeli ve yapay sinir ağları algoritması ile tahmini: BIST 100 pay senetleriyle bir uygulama. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (69), 27-35. https://doi.org/10.18070/erciyesiibd.1362732
12. Çolak, Z. (2025). Derin öğrenme modelleri ile hisse senedi fiyat tahmini: LSTM, GRU, RNN ve MLP modellerinin karşılaştırmalı analizi. Yönetim Bilimleri Dergisi, 23(56), 1250-1286. https://doi.org/10.35408/comuybd.1596351
13. Çoruh, Y. (2026). Borsa İstanbul’da petrokimya sektörü için ARIMA tabanlı fiyat tahmini: PETKM örneği. Black Sea Journal of Public and Social Science, (9), 24-31. https://doi.org/10.52704/bssocialscience.1805714
14. Demirci, S. ve Beskisiz, M. O. (2024). Vergi politikasının BIST 100 ve katılım 30 endeksine etkisinin karşılaştırmalı analizi. İktisat Politikası Araştırmaları Dergisi, 11(1), 87-97. https://doi.org/10.26650/JEPR1328992
15. Demirel, A. C. ve Hazar, A. (2021). Kripto para değerlerine dayanılarak BİST 100 endeks hareketi tahmininde destek vektör makineleri uygulaması. Başkent Üniversitesi Ticari Bilimler Fakültesi Dergisi, 5(1), 27-35. https://izlik.org/JA59FP57NS
16. Dorogush, A. V., Ershov, V., ve Gulin, A. (2018). CatBoost: gradient boosting with categorical features support. arXiv preprint arXiv:1810.11363, 1-7. https://doi.org/10.48550/arXiv.1810.11363
17. Düzakın, H. ve Konak, T. (2020). Hisse senetleri fiyatlarının belirlenmesinin lojistik regresyon tekniği ile analizi: BIST 30 endeksinde bir uygulama. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 29(1), 1-14. https://doi.org/10.35379/cusosbil.570784
18. Ersen, N., Akyüz, K. C. ve Akyüz, İ. (2023). Orman ürünleri ve mobilya sanayinde hisse senedi fiyat hareketlerinin markov zincirleri yöntemi ile tahmin edilmesi. Düzce Üniversitesi Orman Fakültesi Ormancılık Dergisi, 1(1), 43-58. https://doi.org/10.58816/duzceod.1288486
19. Gençtürk, M., Senal, S. ve Aksoy, E. (2022). Covid-19 pandemi sürecinde katılım 30 endeksi ile hükümet kısıtlama politikaları arasındaki ilişki analizi. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(2), 1127-1151. https://doi.org/10.30798/makuiibf.1033342
20. Gündüz, H. (2023). Derin transformatörlerden çift yönlü kodlayıcı temsilleri ve destek vektör makineleri ile Türkçe film yorumları üzerine duygu analizi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(2), 542-549. https://doi.org/10.17780/ksujes.1241043
21. Han, A. (2024). Korku ve güvenin yatırımcı davranışlarına etkisi: Kırılmalı testlerden kanıtlar. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26(2), 344-369. https://doi.org/10.21180/iibfdkastamonu.1496649
22. Haykin, S. (1999). Neural networks: A comprehensive foundation. (2. bs). Prentice Hall.
23. İlarslan, K. (2016). K-en yakın komşu (k-NN) algoritması ile hisse senedi fiyatlarının tahmin edilmesi: BİST’den örnek bir uygulama. Akademik Sosyal Araştırmalar Dergisi, 4(30), 375-392. https://doi.org/10.16992/ASOS.1370
24. Jabed, M. I. K. (2024). Stock market price prediction using machine learning techniques. American International Journal of Sciences and Engineering Research, 7(1), 1-6. https://doi.org/10.46545/aijser.v7i1.308
25. Jeevan, B., Naresh, E., Kumar, V. ve Kambli, P. (2018). Share price prediction using machine learning technique. IEEE Third International Conference on Circuits, Control, Communication and Computing, (s. 1-4). https://doi.org/10.1109/CIMCA.2018.8739647.
26. Kamu Aydınlatma Platformu. (2026). Endeksler. https://kap.org.tr/tr/Endeksler
27. Kartal, C. (2020). Destek vektör makineleri ile borsa endekslerinin tahmini. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 9(2), 1394-1418. https://doi.org/10.15869/itobiad.673015
28. Koç, S. ve Onocak, D. (2018). Yapay sinir ağları ile emeklilik yatırım fonu hisse senedi fiyatlarının tahmini. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 3(3), 590-600. https://doi.org/10.29106/fesa.450623
29. Kusuma, T. N. ve Sari, A. C. (2026). Comparative analysis of machine learning regression models for stock price prediction using financial ratios on the Indonesian stock exchange. 2026 International Seminar on Intelligent Business and Edge-Computing Research (ISIBER), (s. 927-932). https://doi.org/10.1109/ISIBER68248.2026.11469993
30. Nikou, M., Mansourfar, G. ve Bagherzadeh, J. (2019). Stock price prediction using DEEP learning algorithm and its comparison with machine learning algorithms. Intelligent Systems in Accounting, Finance and Management, 26(4), 164-174. https://doi.org/10.1002/isaf.1459
31. Öztürk, C. ve Karacı, A. (2024). Derin öğrenme yöntemleri kullanılarak hisse senedi fiyat tahmini üzerine ampirik bir analiz: LSTM, GRU, GAN ve WGAN-GP. Gazi Journal of Engineering Sciences, 10(3), 472-495. https://doi.org/10.30855/gmbd.0705AR03
32. Paşa, M. ve Özer, Z. (2025). Makine öğrenmesi yöntemleri ile banka müşteri kaybı tahmini. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 24(54), 874-906. https://doi.org/10.46928/iticusbe.1656859
33. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V. ve Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31, 1-11. https://doi.org/10.48550/arXiv.1706.09516
34. Saâdaoui, F., Naifar, N. ve Aldohaiman, M. S. (2017). Predictability and co-movement relationships between conventional and Islamic stock market indexes: A multiscale exploration using wavelets. Physica A: Statistical Mechanics and its Applications, 482, 552–568. https://doi.org/10.1016/j.physa.2017.04.074
35. Seçik Göçer, B. C. ve Emiroğlu, İ. (2024). Müşteri terk verisi üzerinde artırma yöntemlerinin performans karşılaştırılması. Alpha Journal of Engineering and Applied Sciences, 2(1), 1-16. https://izlik.org/JA73ET34BJ
36. Serdarer Kuzu, B. ve Giray Yakut, S. (2020). Destek vektör makineleri yardımıyla imalat sanayisinde mali başarısızlık tahminlerinin teknoloji yoğunluğuna göre incelenmesi. Osmaniye Korkut Ata Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(2), 36-54. https://izlik.org/JA58RY29DP
37. Şeyranlıoğlu, O. ve Karavardar, A. (2024). Şirket değerlemesinde makine öğrenmesi algoritmalarının kullanımına yönelik bir uygulama: Holding şirketleri örneği. Uluslararası Ekonomi ve Yenilik Dergisi, 10(1), 149-175. https://doi.org/10.20979/ueyd.1436560
38. Sheth, D. ve Shah, M. (2023). Predicting stock market using machine learning: Best and accurate way to know future stock prices. International Journal of System Assurance Engineering and Management, 14(1), 1-18. https://doi.org/10.1007/s13198-022-01811-1 Şimşek, M., Sebetci, Ö. ve Rahimovv, S. (2025). LSTM ve GRU hibrit modeli ile hisse senedi fiyat tahmini: Türkiye borsası uygulaması ve model karşılaştırmaları. İşletme Araştırmaları Dergisi, 17(2), 886-904. https://doi.org/10.20491/isarder.2025.2009
39. Şişmanoğlu, G., Koçer, F., Önde, M. A. ve Şahingöz, Ö. K. (2020). Derin öğrenme yöntemleri ile borsada fiyat tahmini. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 434-445. https://doi.org/10.17798/bitlisfen.571386
40. Song, Q., Hu, W. ve Xie, W. (2002). Robust support vector machine with bullet hole image classification. IEEE Transactions on Systems, Man and Cybernetics – Part C: Applications and Reviews, 32(4), 440-448. https://doi.org/10.1109/TSMCC.2002.807277
41. Songün, M. H. ve Akbalık, M. (2023). BIST 30 endeksi paylarının yapay zekâ yöntemiyle tahmini üzerine bir araştırma. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 8(1), 270-286. https://doi.org/10.29106/fesa.1230607
42. Subaş, N. ve Çakmak Pehlivanlı, A. (2021). İkili parçacık sürü optimizasyonu ve destek vektör makinelerinin hibrit kullanımı ile ilaç keşfi için özellik seçimi. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 11(1), 169-178. https://doi.org/10.17714/gumusfenbil.776329
43. Taş, A. İ., Gülüm, P. ve Tulum, G. (2021). Finansal piyasalarda hisse fiyatlarının derin öğrenme ve yapay sinir ağı yöntemleriyle tahmin edilmesi; S&P 500 endeksi örneği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(3), 446-460. https://doi.org/10.29130/dubited.820620
44. Tokmak, M. (2022). Uzun-kısa süreli bellek ağı kullanılarak hisse senedi fiyatı tahmini. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 6(2), 309-322. https://doi.org/10.31200/makuubd.1164099
45. Tunç, B. N. ve Atasever, Ü. H. (2025). CatBoost algoritmasının taşınmaz değerlemede kullanımı: Bayesian hiperparametre optimizasyonu ile karşılaştırmalı analiz. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 14(2), 668-679. https://doi.org/10.28948/ngumuh.1597288
46. Tunçel, T. ve Kılınç, E. (2026). Büyük veri ile Türkiye’de hane internet erişim durumunun makine öğrenmesi ve açıklanabilir yapay zekâ ile analizi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 41(1), 89-100. https://doi.org/10.21605/cukurovaumfd.1755138
47. Türkoğlu, D. (2025). Hisse senedi fiyat tahmininde yapay zekâ: Apple’ın geleceği için GRU, LSTM ve XGBoost’un rekabeti. İçinde D. Türkoğlu (Ed.), Finansal piyasalar ve algoritmalar: Yeni nesil yatırım stratejileri (ss.109-128). Özgür Yayınları.
48. Uçar, G. ve Kandemir, T. (2022). BIST-50 ve KATLM-30 endeksleri arasındaki eşbütünleşme ve nedensellik ilişkilerinin incelenmesi. Finans, Ekonomi ve Sosyal Araştırmalar Dergisi, 7(3), 417-432. https://doi.org/10.29106/fesa.1129607
49. Ustalı, N. K., Tosun, N. ve Tosun, Ö. (2021). Makine öğrenmesi teknikleri ile hisse senedi fiyat tahmini. Osmangazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(1), 1-16. https://doi.org/10.17153/oguiibf.636017
50. Uzun Arslan, R., Aksoy, B. ve Şenyer Yapıcı, İ. (2025). Askıda katı madde konsantrasyonunun tahmininde yığma modelleri ve hiperparametre optimizasyonunun etkisi: Filyos çayı örneği. Karaelmas Fen ve Mühendislik Dergisi, 15(2), 97-108. https://doi.org/10.7212/karaelmasfen.1655059
51. Vapnik, V. N. (2013). The nature of statistical learning theory. Springer Science & Business Media.
52. Vijh, M., Chandola, D., Tikkiwal, V. A. ve Kumar, A. (2020). Stock closing price prediction using machine learning techniques. Procedia Computer Science, 167, 599–606. https://doi.org/10.1016/j.procs.2020.03.326
53. Yakut, E., Elmas, B. ve Yavuz, S. (2014). Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeks tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157. https://izlik.org/JA78MM75AX
54. Yıldız, D., Yıldız, G. ve Demirci, S. (2024). Makine öğrenmesi tekniklerinin sürüş stili sınıflandırmasında kullanımı. Black Sea Journal of Engineering and Science, 7(4), 759-763. https://doi.org/10.34248/bsengineering.1457913
55. Yıldız, S. B. (2015). Katılım 30 endeksi ile BİST 100 endeksi’nin performanslarının değerlendirilmesi. Finans Politik & Ekonomik Yorumlar, 52(606), 41-54. Erişim adresi: https://dergipark.org.tr/tr/pub/fpeyd
56. Yürük, M. F. (2021). Yapay sinir ağları ile hisse senedi fiyat tahmin modeli: Türk Hava Yolları uygulaması. Journal of Aviation, 5(2), 282-289. https://doi.org/10.30518/jav.1015502
57. Zhang, J., Li, L. ve Chen, W. (2021). Predicting stock price using two-stage machine learning techniques. Computational Economics, 57, 1237-1261. https://doi.org/10.1007/s10614-020-10013-5