Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi

Abstract

Bu tez çalışması, sermaye piyasalarında kısa vadeli fiyat hareketlerinin yönünü gelişmiş makine öğrenmesi (ML) yöntemleriyle tahmin etmek ve elde edilen tahminleri dinamik kâr alma (TP) ve zarar durdurma (SL) stratejileriyle bütünleştirerek yatırım performansını değerlendirmek amacıyla yürütülmüştür. Finansal piyasaların doğası gereği oynak, gürültülü ve çok boyutlu yapısı, klasik istatistiksel modellerin öngörü gücünü sınırlandırmakta; doğrusal olmayan ilişkileri yakalayabilen ve büyük veri üzerinde öğrenme yeteneğine sahip makine öğrenmesi yöntemlerini öne çıkarmaktadır. Bu tez, Etkin Piyasa Hipotezi (EMH) nin piyasa hareketlerinin rastgeleliği savını sınarken, davranışsal finansın ortaya koyduğu öngörülebilir anomalilerin makine öğrenmesi teknikleriyle yakalanabilir olup olmadığını araştırmaktadır. Çalışma, S&P100 endeksinde yer alan hisse senetlerinin günlük ve haftalık fiyat yönlerini tahmin etmeye odaklanmış ve tahmin ufuklarının (günlük ve haftalık) performanslarını karşılaştırarak çok ufuklu bir analiz çerçevesi sunmuştur. Veri seti, fiyat, hacim, teknik göstergeler (RSI, MACD, Bollinger Bantları vb.), şirket finansalları, temel oranlar, küresel endeksler, emtia fiyatları, döviz kurları ve makroekonomik değişkenlerden oluşan kapsamlı bir yapıya sahiptir. Verilerin temizlenmesi, eksik değerlerin giderilmesi, ölçekleme, logaritmik getiri hesaplaması ve dengesiz sınıfların ağırlıklandırılması işlemleriyle veri bütünlüğü sağlanmıştır. Öznitelik mühendisliği aşamasında momentum, oynaklık, trend ve gecikmeli değişkenler türetilmiş; Korelasyon, Aşırı Gradyan Eğitimi (XGBoost) ve Yinelemeli Öznitelik Eleme (RFE), tabanlı analizler ile en anlamlı öznitelikler seçilmiştir. Modelleme sürecinde XGBoost temel yöntem olarak kullanılmış; hiperparametre optimizasyonu zaman serisi farkındalıklı sabit kayan pencere yöntemiyle bir aylık bazlı olarak günlük ve haftalık tahminler yapılmıştır. Model performansı doğruluk oranı, Sharpe oranı, getiri oranı ve maksimum kayıp gibi göstergelerle ölçülmüş; elde edilen sonuçlar al-tut stratejisiyle kıyaslanmıştır. Tezin özgün katkısı, tahmin modellerinin dinamik TP/SL stratejileriyle entegre edilmesidir. Sabit eşikli TP/SL uygulamalarının volatilite değişimlerine duyarsız kaldığı görülmüş; bu nedenle volatiliteye ve model güven skorlarına dayalı dinamik eşikler tezin özgün katkısı olarak geliştirilmiştir. Ayrıca, bulanık yumuşak küme (FSS) temelli bir yaklaşım kullanılarak Sharpe oranı ve Volatilite bilgisiyle TP/SL seviyeleri esnek biçimde belirlenmiştir. Bulgular, gelişmiş ML modellerinin kısa vadeli piyasa yönünü şansa dayalı tahmin seviyesinin ötesinde doğru tahmin edebildiğini ortaya koymaktadır. Günlük tahminlerde ortalama doğruluk yaklaşık %53, haftalık tahminlerde ise ortalama doğruluk oranı yaklaşık %58 olarak gerçekleşmiş; günlük modellerin Sharpe oranı 0,97 olurken haftalık modellerin daha yüksek Sharpe oranı (1,22) ile daha dengeli ve düşük riskli sonuçlar verdiği gözlemlenmiştir. Dinamik TP/SL stratejileri, sabit stratejilere kıyasla ortalama %20–30 oranında performans artışı sağlamış, riski düzeltilmiş getiri seviyelerini belirgin şekilde iyileştirmiştir. Sonuçlar, haftalık tahminlerin piyasa gürültüsünden daha az etkilendiğini, daha istikrarlı ve yatırım açısından uygulanabilir sinyaller ürettiğini göstermektedir. Günlük tahminler ise hızlı tepki vermesine rağmen yüksek işlem sıklığı ve maliyet nedeniyle daha düşük net performans sunmaktadır. Tez, literatüre üç temel katkı sağlamıştır: (1) günlük ve haftalık tahmin ufuklarının aynı metodoloji altında karşılaştırılmasıyla kısa vadeli öngörülebilirliğin çok boyutlu biçimde incelenmesi, (2) makine öğrenmesi tahminlerini beş farklı dinamik TP/SL stratejisiyle bütünleştiren özgün bir çerçeve sunularak tahmin doğruluğu ile yatırım performansı arasındaki kopukluğun giderilmesi ve (3) XGBoost, Korelasyon gibi öznitelik seçimi tabanlı açıklanabilir yapay zekâ yaklaşımlarıyla modelin hangi değişkenlerden etkilendiğinin ortaya konması. Ayrıca, S&P100 üzerinde elde edilen bulguların BIST30 ve bakır emtiası gibi farklı piyasa ortamlarında da benzer örüntüler sergilemesi, yöntemin çeşitli piyasa yapılarına uygulanabilirliğini desteklemektedir. Sonuç olarak, haftalık tahmin ufkunun daha verimli, risk açısından daha istikrarlı ve yatırım kararlarında daha uygulanabilir olduğu sonucuna ulaşılmıştır