BIST Banka Endeksi’nde Volatilite Tahmini: LSTM ve GARCH Modelleri ile Karşılaştırmalı Bir Değerlendirme
Öz
Bu çalışmada, derin öğrenme tabanlı ve zaman serisi verilerinde uzun vadeli bağımlılıkları öğrenme yeteneği ile öne çıkan LSTM (Long Short-Term Memory) modeli kullanılarak BIST Banka Endeksi’nin volatilitesinin tahmini amaçlanmıştır. LSTM modeli, geleneksel ekonometrik modellere kıyasla, finansal veriler gibi karmaşık ve dinamik zaman serilerini işlerken daha isabetli tahminler üretebilme potansiyeline sahiptir. Çalışma kapsamında, geçmiş kapanış fiyatları ve günlük getiriler gibi tarihsel verilerle LSTM modeli eğitilmiş ve volatilite tahmini için model parametreleri optimize edilmiştir. Ayrıca, LSTM modelinin tahmin performansı, geleneksel bir ekonometrik model olan GARCH (Generalized Autoregressive Conditional Heteroskedasticity) modeli ile karşılaştırılmıştır. Elde edilen bulgular, LSTM modelinin volatilite tahmininde GARCH modeline göre daha yüksek doğruluk sağladığını ve daha başarılı sonuçlar ürettiğini göstermektedir. Sonuçlar, LSTM modelinin finansal piyasalarda volatilite ve risk modelleme açısından güçlü bir alternatif olarak değerlendirilebileceğini ortaya koymaktadır.
Anahtar Kelimeler
Kaynakça
- Adams, S. O. & Uchema, J. I. (2024). Nigeria exchange rate volatility: A comparative study of recurrent neural network LSTM and exponential generalized autoregressive conditional heteroskedasticity models. Journal of Artificial Intelligence and Big Data, 4(2), 61-73.
- Akbulut, S. ve Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52-63.
- Andersen, T. G., Bollerslev, T., Diebold F. X. & Labys, P. (2003). Modeling and forecasting realized volatility. Econometrica, 71(2), 579-625.
- Atasoy, A. B. ve Tuna, G. (2021). Bitcoin için volatilite tahmini: Simetrik ve asimetrik Garch modelleri için ampirik bir uygulama. İşletme Araştırmaları Dergisi, 13(4), 3346-3359.
- Bao, W., Yue, J. & Rao, Y. (2017). A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PLoS One, 12(7), 1-24.
- Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307-327.
- Çolak, Z. (2025). Derin öğrenme modelleri ile hisse senedi fiyat tahmini: LSTM, GRU, RNN, MLP modellerinin karşılaştırılmalı analizi. Yönetim Bilimleri Dergisi, 23(56), 1250-1286.
- Dickey, D. A. & Fuller, W. A. (1981). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431.
- Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of the United Kingdom inflation. Econometrica, 50(4), 987-1007.
- Eylasov, N. ve Çiçek, M. (2024). Kripto para fiyatlarının tahmini: ARIMA-GARCH ve LSTM yöntemlerinin karşılaştırılması. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 9(1), 48-62.