Yapay zeka alt dalları ve uygulama alanları: BIST 100 tahmini için geleneksel ve yapay zeka yöntemlerine uygulanabilir üç katmanlı zenginleştirici bir yapay öğrenme katmanı–TriNet-Fin

Finansal zaman serileri, doğaları gereği yüksek oynaklık, doğrusal olmayan örüntüler ve ani rejim geçişleri gibi karmaşık özellikler taşımakta; bu durum, bu serilerin doğru biçimde modellenmesini ve öngörülmesini literatürdeki en güç problemlerden biri haline getirmektedir. Bu bağlamda, geleneksel ekonometrik yöntemlerin yapısal kısıtları ile saf yapay zekâ modellerinin bağlamsal bilgi eksiklikleri, genelleme kabiliyetlerini sınırlamakta ve tahmin performanslarını zayıflatmaktadır. Bu çalışmanın amacı, finansal zaman serilerindeki karmaşık yapıları daha doğru öngörebilmek adına, TriNet-Fin adlı çok katmanlı bir hibrit yapay zekâ öğrenme yapısı geliştirerek bu yapının, geleneksel ve yapay zekâ tabanlı yöntemlerle karşılaştırmalı biçimde tahmin performansını ölçmektir. Geliştirilen yapı, geleneksel zaman serisi yöntemlerinden Vektör Otoregresif Modeli (VAR), Vektör Hata Düzeltme Modeli (VECM). Mevsimsel Arima (SARIMAX) ve Kalman Filtresi yöntemleri ile yapay zekâ tabanlı Uzun Kısa Süreli Bellek Ağı (LSTM), Çok Katmanlı Algılayıcı (MLP), İki Boyutlu Evrişimli Sinir Ağı (2D-CNN), Kapı Kontrollü Tekrarlayan Birim (GRU) ve Temel Tekrarlayan Sinir Ağı (Vanilla RNN) modelleriyle hem saf halleri hem de TriNet-Fin yapısıyla entegre edilmiş yapıyla performansları değerlendirilmiştir. Modeller, 2002–2024 dönemine ait günlük frekanstaki veriler üzerinden analiz edilmiştir. Bu kapsamda bağımlı değişken olarak BIST 100 endeksi; bağımsız değişkenler olarak ise faiz oranı (TLREF), döviz kuru (USD/TRY), ülke risk primi (CDS), altın ons fiyatı (USD), Brent petrol, VIX endeksi, NASDAQ ve S&P500 endeksleri kullanılmıştır. Model performansları, test seti üzerinde Hata Kareler Ortalaması (MSE), Düzeltilmiş R² (Adj. R²) ve Doğruluk (Accuracy) metrikleriyle değerlendirilmiştir. Elde edilen ampirik bulgular, tüm saf modellerin test verisi üzerinde yüksek hata ve düşük R² sonuçlarıyla genelleme başarısızlığı yaşadığını; buna karşın TriNet-Fin destekli hibrit modellerin yüksek pozitif (Adj R²> 0.70), düşük MSE ve %97'nin üzerinde doğruluk oranları ile başarılı ve güvenilir tahminler sunduğunu ortaya koymuştur. Bu sonuçlar, tekil yöntemlerin sınırlılıklarını aşmak adına çok katmanlı ve bağlamsal bilgiyle zenginleştirilmiş hibrit yapının finansal öngörüde belirleyici olduğunu göstermektedir. Bu öğrenme yapısı, literatüre metodolojik katkı sağlamayı ve uygulayıcılar için daha güvenilir bir karar destek çerçevesi sunmayı hedeflemektedir.