Derin Öğrenme ve ARIMA Yöntemlerinin Tahmin Performanslarının Kıyaslanması: Bir Borsa İstanbul Hissesi Örneği

Finansal zaman serisi verileri doğrusal olmayan, karmaşık, birçok ekonomik faktörden etkilenen ve tahmin edilmesi zor verilerdir. Çok boyutlu ilişkilerin tahminini gerektiren finansal zaman serisi modelleri için çeşitli istatistiksel yöntemler geliştirilmiştir. Ancak günümüzde büyük verilerin kaydedilmesi, analiz edilmesi ve anlamlı bilgiye dönüştürülmesi kolaylaştığından dolayı finansal tahmin geliştirmede makine öğrenmesi algoritmalarının kullanımı özellikle son yıllarda artmıştır. Bu çalışmada, Borsa İstanbul endeksinde metal ana pazarında işlem gören EREGL hissesine ait veriler zaman serisi yöntemleri ile analiz edilmiş ardından ARIMA ve derin öğrenme modelleri ile tahmin edilmiştir. Geliştirilen derin öğrenme yönteminde veri ön işleme aşamaları, özellik çıkarımı çalışmaları ve farklı zaman çerçeveleri ile tahmin performansı iyileştirilmiştir. Derin öğrenme algoritmalarının zaman serisi çalışmalarında kullanılabilmesi için zaman gecikmelerinden oluşan bir çerçeve kullanılmalıdır. Bu çalışmada, farklı zaman gecikmeleri için senaryolar denenmiş ve performans kıyaslaması ARIMA modelleri ve uzun-kısa vadeli bellek (LSTM), geçitli tekrarlayan ünite (GRU) ve özyineli sinir ağları (RNN) algoritmalarını kullanan derin öğrenme modelleri arasında gerçekleştirilmiştir. Deneysel çalıştırmalar ile RNN algoritmasının diğerlerine göre daha iyi tahmin performansına sahip olduğu ve ele alınan test veri seti üzerinde ortalama %93’lük doğrulukla tahmin ettiği ortaya konulmuştur. Anahtar Kelimeler: ARIMA, BIST, Derin Öğrenme, GRU, Hisse Senedi Tahmini, LSTM, RNN JEL Sınıflandırması: E47, G17, E37