Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma

Yasemin Yurtoğlu

doi:10.16951/trendbusecon.1760688

TR EN

Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma

Öz

Bu çalışma, finansal zaman serilerinde Markov zincirleri kullanılarak tahminleme yapılmasını amaçlamaktadır. Borsa İstanbul BIST 100 endeksi, USD/TRY döviz kuru ve Bitcoin (BTC/USD) fiyat verileri kullanılarak, farklı volatiliteye sahip piyasalarda modelin performansı değerlendirilmiştir. Modelde, kapanış fiyatlarına dayalı olarak belirlenen üç durum (pozitif, negatif ve nötr getirili günler) için geçiş olasılıkları hesaplanmıştır. Elde edilen geçiş olasılık matrisleri kullanılarak bir sonraki günün yönü tahmin edilmiştir. Model performansı MAE, RMSE, MAPE, RMSE / MAE oranı ve Theil’s U istatistikleriyle değerlendirilmiş; BIST 100 için yüksek doğruluk ve düşük hata oranları elde edilmiştir. USD / TRY’de orta düzey, BTC / USD’de ise yüksek hata oranları gözlemlenmiştir. Cross -validation ve out-of-sample testler ile modelin geçerliliği test edilmiştir. Sonuçlar, Markov zincirleri modelinin BIST 100 endeksi ve USD/TRY döviz kuru hareketlerini tahminlemede belirli bir performans sergilediğini, ancak yüksek volatiliteye sahip Bitcoin fiyat hareketlerinin öngörülmesinde hibrit modellere duyulan ihtiyacı ortaya koymaktadır.

Anahtar Kelimeler

Markov Zinciri, Finansal Tahminleme, Geçiş Olasılık Matrisi, MAE ve RMSE, Volatilite Analizi

Financial Forecasting with Markov Chains: A Theoretical Approach and an Application

Öz

This study aims to perform forecasting using Markov chains in financial time series. The performance of the model was evaluated in markets with different volatilities using the Borsa Istanbul BIST 100 index, USD/TRY exchange rate, and Bitcoin (BTC/USD) price data. In the model, transition probabilities were calculated for three states (positive, negative, and neutral return days) determined based on closing prices. The direction of the next day was predicted using the obtained transition probability matrices. Model performance was evaluated using MAE, RMSE, MAPE, RMSE/MAE ratio, and Theil's U statistics; high accuracy and low error rates were obtained for BIST 100. Moderate error rates were observed for USD/TRY, and high error rates for BTC/USD. The validity of the model was tested using cross-validation and out-of-sample tests. The results show that the Markov chain model performs well in predicting BIST 100 index and USD/TRY exchange rate movements, but highlights the need for hybrid models in predicting Bitcoin price movements, which are characterized by high volatility.

Anahtar Kelimeler

Markov Chain, Financial Forecasting, Transition Probability Matrix, MAE and RMSE, Volatility Analysis

Kaynakça

Acula, D. D., & De Guzman, T. (2020). Application of enhanced hidden Markov model in stock price prediction. Journal of Modeling and Simulation of Materials, 3(1), 70-78. [CrossRef]
Bac, H. T., Thu, V. T. T., Tien, V. D. X., Thien, H. N., & Binh, L. T. (2024). Application of Markov Chains in Stock Price Trend Forecasting. VNU Journal of Science: Mathemati cs-Physics, 40(4). [CrossRef]
Bairagi, A., & Kakaty, S. (2015). Analysis of stock market price behavior: A markov chain approach. International journal of recent scientific research, 6(10), 7061-7066. https://recentscientific.com/sites/default/files/3581.pdf
Botchkarev, A. (2018). Performance metrics (error measures) in machine learning regression, forecasting and prognostics: Properties and typology. arXiv preprint arXiv:1809.03006. [CrossRef]
Can, T., & Öz, E. (2009). Saklı Markov modelleri kullanılarak Türkiye’de dolar kurundaki değişimin tahmin edilmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 38(1), 1-23.
Catello, L., Ruggiero, L., Schiavone, L., & Valentino, M. (2023). Hidden markov models for stock market prediction. arXiv preprint arXiv:2310.03775. [CrossRef]
Chapman–Kolmogorov equation. (2025). In Wikipedia. https://en.wikipedia.org/wiki/Chapman%E2%80%93Kolmogorov_equation
Chelule J. C., Otieno R., & Anapapa, A. (2018). Markov Chain Model for Time Series and Its Application to Forecasting Stock Market Prices. International Journal of Science and Research (IJSR), 7(9), 1223-1230.
De Myttenaere, A., Golden, B., Le Grand, B., & Rossi, F. (2016). Mean absolute percentage error for regression models. Neurocomputing, 192, 38-48. [CrossRef]
Doubleday, K. J., & Esunge, J. N. (2011). Application of Markov chains to stock trends. Journal of Mathematics and Statistics, 7(2), 103-106.

Engel, C., & Hamilton, J. D. (1990). Long swings in the dollar: are they in the data and do markets know it. American Economic Review, 80(4), 689-713.
Ergeç, F. (1996). Markov analizi ile hisse senedi fiyatının tahmin edilmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 25(2), 123-151.
Gopinathan, K. N., Murugesan, P., & Jeyaraj, J. J. (2023). Stock price prediction using a novel approach in Gaussian mixture model hidden Markov model. International Journal of Intelligent Computing and Cybernetics, 17(1), 61–100. [CrossRef]
Hu, D. (2024). Forecast analysis of the stock market based on hidden Markov model and long short-term memory model: Taking the S&P500 index as an example. Dean&Francis Academic Publishing, 1(1) Issue: 5. [Cross Ref]
Idolor, E. J. (2010). Security prices as Markov processes. International Research Journal of Finance and Economics, 59, 62-76.
Investing.com. (2025). BIST 100 Historical Data. https://www.investing.com/indices/ise-100-historical-data
İlarslan, K. (2014). Hisse senedi fiyat hareketlerinin tahmin edilmesinde Markov zincirlerinin kullanılması: İMKB 10 bankacılık endeksi işletmeleri üzerine ampirik bir çalışma. Yaşar Üniversitesi E-Dergisi, 9(35), 6158-6198. [CrossRef]
Jing, N., Li, S., & Wang, L. (2023, September 8–10). Research on stock price prediction based on hidden Markov model and elastic feedback algorithm. In Proceedings of the 4th International Conference on Modern Education and Information Management (ICMEIM 2023) (Wuhan, China). [CrossRef]
Kanas, A. (2003). Non‐linear forecasts of stock returns. Journal of Forecasting, 22(4), 299-315. [CrossRef]
Kılıç, S. B. (2013). Integrating Artificial Neural Network Models By Markov Chain Process: Forecasting The Movement Direction Of Turkish Lira Us Dollar Exchange Rate Returns. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 22(2), 97-110.
Kılıç, S. B., Paksoy, S., & Genç, T. (2014). Forecasting the direction of BIST 100 returns with artificial neural network models. International Journal of Latest Trends in Finance & Economic Sciences, 4(3), 759-765.
Kiral, E., & Uzun, B. (2017). Forecasting Closing returns of Borsa Istanbul index with Markov chain process of the fuzzy states. Journal of Economics Finance and Accounting, 4(1), 15-24. [CrossRef]
Kumar, P. R., & Varaiya, P. (1986). Stochastic Systems: Estimation, Identification, and Adaptive Control. Prentice Hall (Englewood Cliffs, NJ).
Liu, M., Huo, J., Wu, Y., & Wu, J. (2021). Stock market trend analysis using hidden Markov model and long short term memory. arXiv preprint arXiv:2104.09700. [Cross Ref]
Malliaris, A. G., & Malliaris, M. (2013). Are oil, gold and the euro inter-related? Time series and neural network analysis. Review of Quantitative Finance and Accounting, 40(1), 1-14.
Marsh I.W. (2000). High-frequency Markov switching models in the foreign exchange market. Journal of forecasting, 19(2), 123-134. [CrossRef]
McQuenn, G. & Thorley, S., (1991) Are stock returns predictable? A test using Markov chains. Journal of Finance, 46(1), 239 – 263. [CrossRef]
Mills, T. C., & Jordanov, J. V. (2003). The size effect and the random walk hypothesis: Evidence from the London Stock Exchange using Markov chains. Applied Financial Economics, 13(11), 807-815. [CrossRef]
Nickell, P., Perraudin, W., & Varotto, S. (2000). Stability of rating transitions. Journal of Banking & Finance, 24(1-2), 203-227. [CrossRef]
Oelschläger, L., & Adam, T. (2023). Detecting bearish and bullish markets in financial time series using hierarchical hidden Markov models. Statistical Modelling, 23(2), 107-126. [CrossRef]
Onalan, O. (2014). Currency exchange rate estimation using Grey Markov Prediction Model. Journal of Economics Finance and Accounting, 1(3), 205-217.
OpenAI Finance. (2025). Bitcoin (BTC) Market Data
Öz, E., & Erpolat, S. (2011). An application of multivariate Markov chain model on the changes in exchange rates: Turkey case. European Journal of Social Sciences, 18 (4): 542-552.
Özdağoğlu, A., Özdağoğlu, G. ve Kurt Gümüş, G. (2012). Altın Fiyatındaki Dağılımların Markov Zinciri ile Analizi: Uzun Erimli Olasılıklar, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (40), 119-142.
Özer, H. ve Yarbaşı, İ. Y. (2023). Tahıl emtia fiyat oynaklığının Markov değişim asimetrik Garch modelleriyle incelenmesi. İşletme Araştırmaları Dergisi, 15(1), 500-513. [CrossRef] .
Paksoy, S. (2017). Hibrit Markov Zinciri Süreci ile Altın Getirisinin Öngörülmesi. AİBÜ Sosyal Bilimler Enstitüsü Dergisi, 17(1), 29-49.
Pfeifer, P. E., & Carraway, R. L. (2000). Modeling customer relationships as Markov chains. Journal of interactive marketing, 14(2), 43-55.
Rebagliati, S., & Sasso, E. (2017). Pattern recognition using hidden Markov models in financial time series. Acta et Commentationes Universitatis Tartuensis de Mathematica, 21(1), 25-41.
Rente, F. (2019). Time-series forecasting using Markov models (Extended summary). Instituto Superior Técnico, Universidade de Lisboa. Erişim adresi: https://fenix. tecnico.ulisboa.pt/downloadFile/1126295043837449/Extended_Abstract_Filipa_Rente_81324.pdf
Ross, S. M. (2014). Introduction to probability models. Academic press.
Ryan, T. M. (1973). Security prices as Markov processes. Journal of Financial and Quantitative Analysis, 8(1), 17-36.
Svoboda, M., & Říhová, P. (2021). Stock price prediction using Markov chains analysis with varying state space on data from the Czech Republic. Economics and Management, 24(4), 142-155. [CrossRef]
Türkiye Cumhuriyet Merkez Bankası (TCMB). (2025). Döviz kurları. Erişim tarihi: 01 Temmuz 2025, https://www.tcmb.gov.tr/kurlar/kurlar_tr.html.
Vasanthi, S., Subha, M. V., & Nambi, S. T. (2011). An empirical study on stock index trend prediction using Markov chain analysis. Journal of Banking Financial Services and Insurance Research, 1(1), 72-91.
Wilmer, E. L., Levin, D. A., & Peres, Y. (2009). Markov chains and mixing times. American Mathematical Soc., Providence, 107.
Wikipedia contributors. (2025, June). Hidden Markov model. Wikipedia. https://en.wikipedia.org/wiki/Hidd en_Markov_model
Wikipedia contributors. (2025, March). Kolmogorov equations. Wikipedia. https://en.wikiped ia.org/wiki/ Kolmogorov_equations
Wikipedia contributors. (2025), Chapman – Kolmogorov equation. (2025). Wikipedia. https:// en.wikipedia.org/ wiki/Chapma n%E2%80%93Kolmogorov_equation
Zhang, Y. J., Yao, T., & He, L. Y. (2015). Forecasting crude oil market volatility: can the Regime Switching GARCH model beat the single-regime GARCH models? arXiv preprint arXiv:1512.01676. [CrossRef]
Zhang, M., Jiang, X., Fang, Z., Zeng, Y., & Xu, K. (2019). High-order Hidden Markov Model for trend prediction in financial time series. Physica A: Statistical Mechanics and its Applications, 517, 1-12. [CrossRef]

Ayrıntılar

Birincil Dil

Türkçe

Konular

Finansal Öngörü ve Modelleme

Bölüm

Araştırma Makalesi

Yazarlar

Yasemin Yurtoğlu ^*
0000-0001-9579-6133
Türkiye

Yayımlanma Tarihi

31 Mart 2026

Gönderilme Tarihi

8 Ağustos 2025

Kabul Tarihi

26 Kasım 2025

Yayımlandığı Sayı

Yıl 2026 Cilt: 40 Sayı: 2

DOI

https://doi.org/10.16951/trendbusecon.1760688

IZ

https://izlik.org/JA36BD99AW

APA

Yurtoğlu, Y. (2026). Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma. Trends in Business and Economics, 40(2), 220-235. https://doi.org/10.16951/trendbusecon.1760688

AMA

1.Yurtoğlu Y. Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma. Trend Bus Econ. 2026;40(2):220-235. doi:10.16951/trendbusecon.1760688

Chicago

Yurtoğlu, Yasemin. 2026. “Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma”. Trends in Business and Economics 40 (2): 220-35. https://doi.org/10.16951/trendbusecon.1760688.

EndNote

Yurtoğlu Y (01 Mart 2026) Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma. Trends in Business and Economics 40 2 220–235.

IEEE

[1]Y. Yurtoğlu, “Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma”, Trend Bus Econ, c. 40, sy 2, ss. 220–235, Mar. 2026, doi: 10.16951/trendbusecon.1760688.

ISNAD

Yurtoğlu, Yasemin. “Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma”. Trends in Business and Economics 40/2 (01 Mart 2026): 220-235. https://doi.org/10.16951/trendbusecon.1760688.

JAMA

1.Yurtoğlu Y. Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma. Trend Bus Econ. 2026;40:220–235.

MLA

Yurtoğlu, Yasemin. “Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma”. Trends in Business and Economics, c. 40, sy 2, Mart 2026, ss. 220-35, doi:10.16951/trendbusecon.1760688.

Vancouver

1.Yasemin Yurtoğlu. Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma. Trend Bus Econ. 01 Mart 2026;40(2):220-35. doi:10.16951/trendbusecon.1760688

Content of this journal is licensed under a Creative Commons Attribution 4.0 International License

29928

Markov Zincirleri ile Finansal Tahminleme: Teorik Bir Yaklaşım ve Uygulamalı Bir Çalışma

Öz

Anahtar Kelimeler

Financial Forecasting with Markov Chains: A Theoretical Approach and an Application

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster