Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama

Nazif Ayyıldız

doi:10.33203/mfy.1442589

EN TR

Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama

Öz

Bu çalışmada, derin öğrenme yönteminin yükselen piyasa ekonomileri olarak bilinen E-7 ülkelerinin borsa endeksleri üzerindeki tahmin performansının incelenmesi amaçlanmıştır. Bu bağlamda, IPC (Meksika), SSE (Çin), BIST 100 (Türkiye), RTS (Rusya), BOVESPA (Brezilya), IDX (Endonezya) ve NIFTY 50 (Hindistan) borsa endekslerinin günlük hareket yönleri H2O derin öğrenme modeli kullanılarak tahmin edilmiştir. Modelin girdileri olarak, 01.01.2015 ve 31.12.2024 tarihleri arasında günlük kapanış fiyatlarına dayalı olarak hesaplanan teknik göstergeler kullanılmıştır. Tahmin sürecinde veriler %80 eğitim ve %20 test seti olarak bölünmüştür. Hesaplanan doğruluk oranları IPC endeksi için %88,47, SSE için %78,13, BIST 100 için %77,29, RTS için %76,05, BOVESPA için %75,81, IDX için %75,05 ve NIFTY 50 için %74,34 olarak bulunmuştur. Elde edilen bulgular, derin öğrenme yöntemlerinin borsa endeksi hareketlerini belirli bir doğruluk düzeyiyle tahmin edebildiğini göstermektedir.

Anahtar Kelimeler

Derin Öğrenme, H20 Derin Öğrenme Modeli, Sınıflandırma, Gelişmekte Olan Ülkeler.

Kaynakça

Albayrak, E., & Saran, N. (2023). İstatistiksel ve Derin Öğrenme Modellerini Kullanarak Hisse Senedi Fiyat Tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 16(2), 161-169. https://doi.org/10.54525/tbbmd.1031017
Alhazbi, S., Said AB & Al-Maadid, (2020) Using Deep Learning to Predict Stock Movements Direction in Emerging Markets: The Case of Qatar Stock Exchange, 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT), Doha, Qatar, 440-444. https://doi.org/10.1109/ICIoT48696.2020.9089616
Aliyev, F., Eylasov N. & Gasim, N. (2022) Applying Deep Learning in Forecasting Stock Index: Evidence from RTS Index, 2022 IEEE 16th International Conference on Application of Information and Communication Technologies (AICT), Washington DC, DC, USA, 2022, 1-4. https://doi.org/10.1109/AICT55583.2022.10013496
Altunbaş, C. (2021) Derin Öğrenme ile Hisse Senedi Piyasası Tahmini [Yüksek Lisans Tezi]. Adnan Menderes Üniversitesi, Sosyal Bilimler Enstitüsü.
Arora, A., Candel, A., Lanford, J., Ledel, E., & Parmar, V. (2015). Deep Learning with H2O. H2O.ai, Erişim Tarihi:22.02.2024, DeepLearning_Vignette.pdf (h2o-release.s3.amazonaws.com)
Ayyıldız. N. (2023) Prediction of Stock Market Movements with Machine Learning Index, Özgür Puplications. https://doi.org/10.58830/ozgur.pub354
Ayyıldız ve İskenderoğlu (2024) How effective is machine learning in stock market predictions? Heliyon, 10(2). https://doi.org/10.1016/j.heliyon.2024.e24123
Ayyıldız, N. (2024). Bankacılık Sektörüne Derin Öğrenme Yöntemiyle Bakış: BİST Banka Endeksi Hareket Yönlerinin Tahmini. İnsan ev Toplum Bilimleri Araştırmaları Dergisi, 13(3), 1277-1291. https://doi.org/10.15869/itobiad.1451709
Beniwal, M., Singh, A. & Kumar, N. (2024). Forecasting multistep daily stock prices for long-term investment decisions: A study of deep learning models on global indices, Engineering Applications of Artificial Intelligence, 129. https://doi.org/10.1016/j.engappai.2023.107617
Cui, C., Wang, P., Li, Y. & Zhang, Y. (2023), McVCsB: A new hybrid deep learning network for stock index prediction, Expert Systems with Applications, 232. https://doi.org/10.1016/j.eswa.2023.120902

Çetin D. Ve Metlek S (2021). Türkiye’deki İslami Hisse Senedi Endeksinin, Endeks Tabanlı Öznitelikler Kullanılarak Derin Öğrenme Yöntemi ile Tahmini. Acta Infologica, 5(2), 287 - 298. http://dx.doi.org/10.26650/acin.975633
Gudelek, M. U. Bölük S. A. & Özbayoğlu, A. M. (2017). A deep learning based stock trading model with 2-D CNN trend detection, 2017 IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, HI, USA, pp. 1-8, http://dx.doi.org/10.1109/SSCI.2017.8285188
Gündüz, H., Çataltepe, Z., & Yaslan, Y. (2017). Derin Sinir Ağları ile Borsa Yönü Tahmini, Stock Market Direction Prediction Using Deep Neural Networks, Signal Processing and Communications Applications Conference (SIU), İzmir.
Han, J., Kamber, M. & Pei, J. (2012). Data Mining: Concepts and Techniques. Third Edition, Elsevier Science & Technology. USA.
H20 (2024), H20 Deep Learning (Neural Networks), Erişim Tarihi:22.02.2024, https://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/deep-learning.html
Kanwal, A., Lau,M.F., P.H. Ng,S., Sım,K.Y. & Chandrasekaran,S. (2022). BiCuDNNLSTM-1dCNN-A hybrid deep learning-based predictive model for stock price prediction, Expert Systems with Applications, 202. https://doi.org/10.1016/j.eswa.2022.117123.
Kumbure, M.M., Lohrmann C., Luukka, P.& Porras, J.(2022). Machine learning techniques and data for stock market forecasting: A literature review, Expert Systems with Applications,197. https://doi.org/10.1016/j.eswa.2022.116659.
Liu, Y, Zhou, Y. Wen, S. & Tang, C. (2014), A Strategy on Selecting Performance Metrics for Classifier Evaluation, International Journal of Mobile Computing and Multimedia Communication, 6, 20-35. http://dx.doi.org/10.4018/IJMCMC.2014100102
Mallıkarjuna, M.& Rao, R.P. (2019), Evaluation of forecasting methods from selected stock market returns. Financ Innov 5(40). https://doi.org/10.1186/s40854-019-0157-x
Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Selıya, N., Wald, R., & Muharemagıc, E. (2015). Deep learning applications and challenges in big data analytics. Journal of big data, 2(1), 1-21. https://doi.org/10.1186/s40537-014-0007-7
Nelson, D. M. Q. Pereıra A. C. M. & De Olıveıra, R. A. (2017) Stock market's price movement prediction with LSTM neural networks, 2017 International Joint Conference on Neural Networks (IJCNN), Anchorage, AK, USA, pp. 1419-1426. https://doi.org/10.1109/IJCNN.2017.7966019
Noh Y, Kim J-M, Hong S, Kim S. (2023), Deep Learning Model for Multivariate High-Frequency Time-Series Data: Financial Market Index Prediction. Mathematics.; 11(16):3603. https://doi.org/10.3390/math11163603
Prachyachuwong K, & Vateekul P. (2021) Stock Trend Prediction Using Deep Learning Approach on Technical Indicator and Industrial Specific, Information. Information. 12(6):250. https://doi.org/10.3390/info12060250
Racz, A., Bajusz, D. & Heberger, K. (2021). Effect of Dataset Size and Train/Test Split Ratios in QSAR/QSPR, Multiclass Classification, Molecules, 26, 1111. https://doi.org/10.3390/molecules26041111.
Raşo, H. (2019). Deep Learning Based Stock Market Prediction Using Technical Indicators [Yüksek Lisans Tezi]. en Bilimleri Enstitüsü, Gazi Üniversitesi, Ankara.
Santur, Y. (2020). Deep Learning Based Regression Approach for Algorithmic Stock Trading: A Case Study of the BIST30. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 10(4), 1195-1211. https://doi.org/10.17714/gumusfenbil.707088
Sokolova, M. & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management. 45. 427-437. https://doi.org/10.1016/j.ipm.2009.03.002
Stetsenko, P. (2017), Machine Learning with Python and H2O, Fifth Edition, Erişim Tarihi:22.02.2024, DeepLearning_Vignette.pdf (h2o-release.s3.amazonaws.com)
Yang, C. Zhai, J. & Tao, G. (2020). Deep Learning for Price Movement Prediction Using Convolutional Neural Network and Long Short-Term Memory, Mathematical Problems in Engineering. https://doi.org/10.1155/2020/2746845
Yiling, D., Ning, S., Jıahao, X., Pengyan, L., Jiaxin W. & Sai, T. (2022). Research on Shanghai Stock Exchange 50 Index Forecast Based on Deep Learning. Mathematical Problems in Engineering. 1-9. http://dx.doi.org/10.1155/2022/1367920
Zhong, X., & Enke, D. (2019). Predicting the daily return direction of the stock market using hybrid machine learning algorithms, Financial Innovation, 5. https://doi.org/10.1186/s40854-019-0138-0.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Finansal Öngörü ve Modelleme, Finansal Piyasalar ve Kurumlar

Bölüm

Araştırma Makalesi

Yazarlar

Nazif Ayyıldız ^*
0000-0002-7364-8436
Türkiye

Erken Görünüm Tarihi

29 Mart 2025

Yayımlanma Tarihi

1 Nisan 2025

Gönderilme Tarihi

25 Şubat 2024

Kabul Tarihi

21 Mart 2025

Yayımlandığı Sayı

Yıl 2025 Sayı: 123

DOI

https://doi.org/10.33203/mfy.1442589

IZ

https://izlik.org/JA36FT55ZG

APA

Ayyıldız, N. (2025). Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama. Maliye ve Finans Yazıları, 123, 92-111. https://doi.org/10.33203/mfy.1442589

AMA

1.Ayyıldız N. Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama. Maliye ve Finans Yazıları. 2025;(123):92-111. doi:10.33203/mfy.1442589

Chicago

Ayyıldız, Nazif. 2025. “Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama”. Maliye ve Finans Yazıları, sy 123: 92-111. https://doi.org/10.33203/mfy.1442589.

EndNote

Ayyıldız N (01 Nisan 2025) Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama. Maliye ve Finans Yazıları 123 92–111.

IEEE

[1]N. Ayyıldız, “Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama”, Maliye ve Finans Yazıları, sy 123, ss. 92–111, Nis. 2025, doi: 10.33203/mfy.1442589.

ISNAD

Ayyıldız, Nazif. “Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama”. Maliye ve Finans Yazıları. 123 (01 Nisan 2025): 92-111. https://doi.org/10.33203/mfy.1442589.

JAMA

1.Ayyıldız N. Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama. Maliye ve Finans Yazıları. 2025;:92–111.

MLA

Ayyıldız, Nazif. “Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama”. Maliye ve Finans Yazıları, sy 123, Nisan 2025, ss. 92-111, doi:10.33203/mfy.1442589.

Vancouver

1.Nazif Ayyıldız. Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama. Maliye ve Finans Yazıları. 01 Nisan 2025;(123):92-111. doi:10.33203/mfy.1442589

Maliye ve Finans Yazıları dergisinin kapsamını ekonomi, maliye, finans ve bankacılık alanlarındaki çalışmalar oluşturmaktadır.

Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama

Predicting Market Direction With Deep Learning: An Application on E-7 Country Stock Markets

Öz

Anahtar Kelimeler

Piyasa Yönünün Derin Öğrenme ile Tahmini: E-7 Ülke Borsaları Üzerine Bir Uygulama

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Erken Görünüm Tarihi

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster