Abstract:
Teknolojinin geliĢmesi ile beraber Bankacılık ve Finans sektöründe üretilen
veri ve saklanan veri miktarı artmaktadır. Bu veriyi kullanarak gelecekteki
fiyatların tahmin edilmesi konusunda her geçen gün daha fazla veri elde
edilmektedir. Bu veriyi iĢleme tekniği olarak Makine Öğrenmesi yöntemleri
kullanılmaktadır. Hisse senedi hedef fiyatının sağlıklı bir Ģekilde saptanması için
farklı teknikler kullanılmaktadır.
Bu çalıĢmanın amacı, çağımızda popüler bir yatırım aracı haline gelmiĢ olan
hisse senedi enstrümanlarının kapanıĢ fiyatlarının tahmin edilmesidir.
Yatırımcılar, yatırımlarını minimum riskle en yüksek karı elde etmek amacıyla bu
tür tahminlere yönelmektedir. Bu bağlamda, hisse senetlerinin gelecekteki
kapanıĢ fiyatlarının doğru bir Ģekilde tahmin edilmesi büyük bir önem
taĢımaktadır. Yatırım kararlarının belirlenmesinde, temel analiz ve teknik analiz
olarak adlandırılan iki ana yöntem kullanılmaktadır. Son yıllarda hızla geliĢen
yazılım ve donanım teknolojileri, teknik analizde kullanılan istatistiksel
yöntemlerin daha yaygın bir Ģekilde uygulanmasına olanak sağlamaktadır.
Bu çalıĢmada, 2010-2019 yılları arasında Apple, Google, Microsoft,
Amazon ve Nvidia hisse senetlerinin kapanıĢ değerleri üzerine Arima, XGBoost,
Prophet algoritmaları ve LSTM (Uzun Kısa Vadeli Hafıza Ağları) kullanılarak bir
analiz yapılmıĢtır. ÇalıĢmanın amacı, uzun vadeli hisse senedi tahminlerinde
kullanılan bu algoritmaların performansını ve hata toleransını ölçmektir. Bu
sayede, hangi algoritmanın daha baĢarılı sonuçlar verdiği belirlenerek
yatırımcılara daha güvenilir tahminler sunulması hedeflenmektedir.
Bu çalıĢma, hisse senedi piyasalarında uzun vadeli tahminlerin önemini
vurgulamakta ve çeĢitli algoritmaların bu bağlamdaki performansını kapsamlı bir
Ģekilde incelemektedir. Analizler, yatırımcıların bilinçli kararlar almasına
iv
yardımcı olmayı amaçlamaktadır. Bu doğrultuda, ilgili algoritmaların teorik
temelleri, uygulama süreçleri ve elde edilen sonuçlar detaylı bir Ģekilde ele
alınmıştır.
