Derin öğrenme teknikleri kullanılarak hisse senedi fiyatlarının tahmin edilmesi: BIST'te bir uygulama

Borsa yatırımcıları, kâr edebilmek amacıyla geleceği tutarlı bir şekilde öngörerek yerinde hamleler yapabilmelidir. Bu amaçla yatırımcılar sahip oldukları bilgileri doğru analiz edip başarılı tahminlerde bulunmalıdırlar. Gün geçtikçe daha da globalleşen finansal piyasalara yönelik gelecek fiyat tahminlerinde bulunmak gittikçe zorlaşmaktadır. Örneğin bazı zamanlarda Türkiye' deki bir hisse senedinin fiyat tahmini için sadece Türkiye' deki faktörler değil aynı zamanda dünyadaki diğer faktörlerin de göz önünde bulundurulması gerekmektedir. Dolayısıyla bu durumda basit istatistiksel hesaplamalar yetersiz kalmaktadır. Bu yetersiz kalmaya çözüm olarak bilgisayar programları ve bu programlar içerisindeki algoritmalar ile tekniklerden faydalanılmaktadır. Derin öğrenme, yaklaşık 80 yıl önce ilk kez temelleri atılan yapay zekânın en gelişmiş araçlarındandır ve son 10 senedir popülerliği artarak finans alanındaki çalışmalarda kendine çokça yer bulmaktadır. Çalışmanın birinci bölümünde Türkiye' de borsa ve enerji kaynakları hakkında bilgi verilmiştir. İkinci bölümde derin öğrenmenin tanımı, tarihçesi, teknikleri ve kullanım alanları tanıtılmıştır. Son bölüm olan üçüncü bölümde ise veri seti ve değişkenlerin tanıtılması, daha önce yapılmış benzer çalışmalar, yapılan uygulamanın adımları ve görselleri bulunmaktadır. Bu çalışmada bir hisse senedi tahmini için son gelişmiş teknolojilerden olan derin öğrenmenin LSTM (Long-Short Term Memory) ve GRU (Gated Recurrent Unit) teknikleri Google Colab programı ortamında uygulanmıştır. Çalışmada kullanılan veri seti Yahoo Finance' tan alınmış ve 02.01.2013 ile 30.12.2022 tarihleri arasını kapsamaktadır. BIST (Borsa İstanbul)' in bünyesinde yer alan XELKT (Borsa İstanbul Elektrik Endeksi) endeksine ait 5 şirket ele alınarak tahmin modelleri oluşturulmuştur. Ardından oluşturulan bu tahmin modellerinin başarıları hesaplanan model performans kriterleri ile test edilmiş ve kullanılan tekniklerin hisse senedi fiyat tahmini konusunda başarılı olup olmadığının belirlenmesi hedeflenmiştir. Buna ek olarak hesaplanan model performans kriterleri arasından MSE (Mean Squared Error) ve MAPE (Mean Absolute Percentage Error)' nin sonuçları baz alınarak kullanılan teknikler birbiriyle kıyaslanmış ve bu tekniklerden hangisinin daha az hata ile tahmin yaptığının tespit edilmesi amaçlanmıştır. Son olarak, 4 farklı gün sayısı alınarak yapılan analizlerden hangi gün ile daha başarılı tahminlerin yapıldığı kestirilmeye çalışılmıştır. Bu analizlerin sonucunda elde edilen model performans kriteri çıktıları, MSE için 1' in altında ve MAPE için de %5' in altında olduğundan dolayı iki tekniğin de başarılı fiyatı tahminleri gösterdiği söylenebilir. Sonuç olarak bu iki tekniğin birbiriyle karşılaştırılması neticesinde çok az bir farkla LSTM tekniğinin, GRU tekniğinden daha başarılı olduğu görülmektedir.