DERİN ÖĞRENME MODELLERİ İLE HİSSE SENEDİ FİYAT TAHMİNİ: LSTM, GRU, RNN, MLP MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ

Basit Öğe Kaydı
dc.contributor.authorÇolak, Zeynep
dc.date.accessioned2026-02-03T11:50:16Z
dc.date.available2026-02-03T11:50:16Z
dc.date.issued2025
dc.departmentÇanakkale Onsekiz Mart Üniversitesi
dc.description.abstractBorsa hakkında tahminlerde bulunmak oldukça zordur ve veri kalıplarına ilişkin kapsamlı bir araştırma gerektirir. Finans analistleri, büyük veri çağında hisse senedi fiyat tahminlerinde genellikle derin öğrenme tekniklerine başvurmaktadır Bu teknikler, tahminlerin doğruluğunu artırarak yatırımcıların daha bilinçli kararlar almasına olanak tanıyabilmektedir. Ancak, hisse senedi fiyat tahmini, borsa piyasasının karmaşık yapısı ve dinamik etkileşimleri nedeniyle finansal tahminler alanındaki en zorlu ve öngörülemez görevlerden biri olarak kalmaktadır. Derin öğrenme teknolojisi, öncelikle hisse senedi fiyatlarına dayalı finansal zaman serisi tahminini iyileştirmek için finans sektöründe yaygın olarak kullanılmaktadır. Geleneksel hisse senedi fiyat tahmin modellerindeki düşük uyum ve zayıf doğruluk sorununu çözmek için bu makale, derin öğrenme algoritmalarına dayalı bir hisse senedi fiyat tahmin modeli önermektedir. Bu çalışmada, finans piyasalarının en köklü şirketlerinden biri olan Nike'ın (NKE) hisse senedi fiyat hareketleri, modern derin öğrenme yaklaşımları kullanılarak analiz edilmiştir. 1993'ten 2024'e uzanan 31 yıllık süreçte, Nike hissesinin günlük açılış, yüksek, düşük, kapanış fiyatları ve işlem hacimlerini içeren bir veri seti kullanılmıştır. Bu amaçla, Uzun-Kısa Süreli Bellek (LSTM) Kapılı Tekrarlayan Birim (GRU) Yinelemeli Sinir Ağları (RNN) Çok Katmanlı Algılayıcı (MLP) olmak üzere dört farklı derin öğrenme modeli ele alınmıştır. Analiz sonuçlarına göre, eğitim metrikleri, LSTM modelinin en düşük MAE (1.606) ve RMSE (0.821) değerleriyle en başarılı eğitim performansını sergilediğini ve 0.998 R² değeriyle veri setindeki varyansın büyük bir kısmını açıkladığını göstermektedir. GRU modeli ise biraz daha yüksek hata metriklerine (MAE: 1.009, RMSE: 1.190) sahip olmakla birlikte, 0.996 R² değeriyle güçlü tahmin yeteneğini korumaktadır. Buna karşılık, RNN ve MLP modelleri, sırasıyla 1.827 ve 1.786 RMSE değerleri ile daha yüksek hata oranları göstermiş ve zaman serisi verilerindeki karmaşık bağımlılıkları yakalamada yetersiz kalmıştır. Sonuçlar, finansal zaman serisi tahminlerinde LSTM ve GRU modellerinin sağladığı avantajları vurgularken, bu modellerin kullanımının özellikle uzun vadeli analizlerde güvenilir sonuçlar üretebileceğini göstermiştir.
dc.identifier.doi10.35408/comuybd.1596351
dc.identifier.endpage1286
dc.identifier.issn1304-5318
dc.identifier.issn2147-9771
dc.identifier.issue56
dc.identifier.startpage1250
dc.identifier.trdizinid1328133
dc.identifier.urihttps://doi.org/10.35408/comuybd.1596351
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1328133
dc.identifier.urihttps://hdl.handle.net/20.500.12428/34068
dc.identifier.volume23
dc.indekslendigikaynakTR-Dizin
dc.institutionauthorÇolak, Zeynep
dc.language.isotr
dc.relation.ispartofYönetim Bilimleri Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TR_20260130
dc.subjectDerin Öğrenme
dc.subjectGRU
dc.subjectHisse senedi tahmini
dc.subjectRNN
dc.subjectMLP
dc.subjectLTSM
dc.titleDERİN ÖĞRENME MODELLERİ İLE HİSSE SENEDİ FİYAT TAHMİNİ: LSTM, GRU, RNN, MLP MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ
dc.typeArticle

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu