Borsa endeksi tahmininde derin öğrenme ve geleneksel yöntemlerin karşılaştırması: G7 ve E7 ülkelerinde bir uygulama

Çalışmanın amacı gelişmiş̧ (G7) ve gelişmekte olan (E7) ülkelerine ait seçilmiş̧ borsa endekslerini tahmin etmek ve geleneksel ile derin öğrenme tabanlı modellerin performanslarını karşılaştırmalı olarak analiz etmektir. Bu doğrultuda geleneksel istatistiki yöntemlerden ARIMA ve Derin öğrenme tabanlı modellerden ise LSTM modeli kullanılarak farklı ülke dinamiklerine sahip piyasalarda tahmin başarısı değerlendirilmiştir. Modelleme sürecinde bağımlı değişken olarak ilgili borsa endekslerinin kapanış̧ fiyatları, bağımsız değişken olarak ise literatürde genel kabul görmüş̧ on teknik gösterge (MA, WMA, MACD, CCI, RSI, Skolastik %K, Skolastik %D, Williams' %R, Momentum, A/D) ve üç makro ekonomik gösterge (Altın ONS fiyatı, Bren petrol fiyatı ve DXY) kullanılmıştır. Çalışmada kullanılan veri seti 2006-2022 dönemine ait günlük verilerden oluşmakta olup ilgili veriler investing.com ve yahoo.finance adreslerinden temin edilmiştir. Modellerin tahmin performansları her bir ülke için MAE, MSE, RMSE ve MAPE hata ölçütleri kullanılarak değerlendirilmiştir. Elde edilen analiz sonuçları genel olarak LSTM modelinin ARIMA modeline göre kıyasla daha düşük tahmin hataları ürettiğini ve özellikle volatilitesi yüksek piyasalarda uzun vadeli bağımlılıkları yakalama kabiliyeti sayesinde daha yüksek tahmin performansı sergilediği ortaya konulmuştur. Bununla birlikte belirli piyasalarda ARIMA modelinin LSTM modeline rekabetçi bir performans sergilediği gözlemlenmiştir. ARIMA modeli, MOEX ve Shanghai Composite endekslerinde LSTM modeli ile karşılaştırılabilir bir doğrulukta performans göstermiştir. Bu bulgu, ülkeler arası yapısal farklılıkların ve veri seti özelliklerinin tahmin performansını etkilediğini ortaya koymaktadır. Sonuçlar, finansal tahmin çalışmalarında model seçiminin önemine işaret etmekte ve yüksek volatiliteli piyasalarda derin öğrenme yaklaşımlarının avantajlarını vurgulamaktadır.