KaydedilenlerDerginizi ekleyin

Dergiler / Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi / 2026 / Cilt: 35

TÜRK BANKA HİSSELERİNİN FİYAT TAHMİNİ İÇİN YAPAY ZEKÂ DESTEKLİ ALGORİTMİK ALIM-SATIM

ARTIFICIAL INTELLIGENCE-SUPPORTED ALGORITHMIC TRADING FOR PRICE PREDICTION OF TURKISH BANK STOCKS

Çağdaş Gündüz(PAMUKKALE ÜNİVERSİTESİ)0000-0002-2068-4951
Sayfa
—
Yayın Tarihi
2026-06-17
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Maliyetler dikkate alındığında dahi stratejinin kârlılığını koruduğu gözlemlenmiş, bu durum modelin pratik uygulanabilirliğini ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Türkiye hisse senedi piyasası olan Borsa İstanbul (BIST) bünyesinde hisse senedi fiyat hareketlerini tahmin etmek ve alım-satım sinyalleri üretmek amacıyla tasarlanmış yapay zekâ (YZ) tabanlı bir algoritmik alım-satım sisteminin performansını incelemektedir.
📊
Temel Bulgular & Veri:Çalışmada, BIST Bankacılık Endeksi’ne (XBANK) ait 2.000 günlük veri seti kullanılmış, verilerin %80’i eğitim, %20’si ise doğrulama amacıyla ayrılmış olup sistem, al, sat ve bekle sinyallerinin tahmininde %79’un üzerinde yönsel doğruluk elde etmiştir.
💡
Sonuç & Katkı:Maliyetler dikkate alındığında dahi stratejinin kârlılığını koruduğu gözlemlenmiş, bu durum modelin pratik uygulanabilirliğini ortaya koymuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Zeka · Algoritmik Alım-Satım · Hisse Fiyatı Tahmini

Özet

Bu çalışma, Türkiye hisse senedi piyasası olan Borsa İstanbul (BIST) bünyesinde hisse senedi fiyat hareketlerini tahmin etmek ve alım-satım sinyalleri üretmek amacıyla tasarlanmış yapay zekâ (YZ) tabanlı bir algoritmik alım-satım sisteminin performansını incelemektedir. Model, MACD, OTT ve MOST göstergelerini bütünleştirmekte, FastForest algoritmasını kullanmaktadır. Çalışmada, BIST Bankacılık Endeksi’ne (XBANK) ait 2.000 günlük veri seti kullanılmış, verilerin %80’i eğitim, %20’si ise doğrulama amacıyla ayrılmış olup sistem, al, sat ve bekle sinyallerinin tahmininde %79’un üzerinde yönsel doğruluk elde etmiştir. Buna ek olarak, modelin sağlamlığını değerlendirmek amacıyla Random Forest ve Destek Vektör Makineleri (Support Vector Machine) algoritmalarıyla karşılaştırmalı deneyler gerçekleştirilmiş ve ana modelin performansının tutarlı olduğu doğrulanmıştır. Gerçek piyasa koşullarını yansıtmak amacıyla, %0,1 ile %0,2 arasında değişen işlem maliyetleri geriye dönük test (backtesting) senaryolarına dâhil edilmiştir. Maliyetler dikkate alındığında dahi stratejinin kârlılığını koruduğu gözlemlenmiş, bu durum modelin pratik uygulanabilirliğini ortaya koymuştur. Elde edilen bulgular, YZ destekli sistemlerin maliyetleri azaltarak ve işlem etkinliğini artırarak bireysel yatırımcıları destekleyebileceğine işaret etmektedir. Model, XBANK endeksini geride bırakarak Stock-1 ve Stock-2 banka hisseleri için sırasıyla %437,88 ve %459,25 toplam getiri sağlamıştır. Bu sonuçlar, YZ destekli modellerin gelişmekte olan ve dalgalı piyasalarda yatırım stratejilerinin etkinliğini artırma potansiyelini ortaya koymaktadır.

Abstract

This paper explores the performance of an artificial intelligence (AI)-based algorithmic trading system designed to predict stock price movements and generate trading signals in the Turkish stock market, Borsa İstanbul (BIST). The model integrates MACD, OTT, and MOST indicators and uses the FastForest algorithm, and was trained on 2,000 days of BIST Banking Index (XBANK) data. With 80% of data was allocated for training and 20% for validation, the system achieved over 79% directional accuracy in predicting buy, sell, and hold signals. In addition, comparative experiments with Random Forest and Support Vector Machine algorithms were conducted to assess robustness, confirming the consistency of the main model’s performance. To reflect real market trading conditions, transaction costs ranging between 0.1% and 0.2% were incorporated into back testing scenarios. The strategy remained profitable even under cost-adjusted settings, demonstrating its practical viability. The results suggest that AI-driven systems can support retail investors by reducing costs and increasing trading efficiency. The model outperformed the XBANK index by generating total returns of 437.88% and 459.25% for Stock-1 and Stock-2 bank shares, respectively. These findings underscore the potential of AI-supported models in enhancing investment strategies in emerging and volatile markets.

🔖

Bu Makaleye Atıf Yap

Gündüz, Ç. (2026). TÜRK BANKA HİSSELERİNİN FİYAT TAHMİNİ İÇİN YAPAY ZEKÂ DESTEKLİ ALGORİTMİK ALIM-SATIM. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 35. https://doi.org/10.35379/cusosbil.1689533

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (32)

  1. Akkoyun, F., Ekin, O., and Sebetci, Ö. (2022). Görüntü İşleme ve Gözetimli Öğrenme Yardımıyla Endüstriyel Beyaz Kuvars Taş Sınıflandırması. El-Cezerî Fen ve Mühendislik Dergisi, 9(2), 801-813.
  2. Alaylı, H. and Kurt, S. (2025). Foreks Piyasalarında Major Parite ve Endekslerde Kullanılan İndikatörlerin Optimizasyonu. Parion Akademik Bakış Dergisi, 4(1), 41-72.
  3. Appel, G. (2005). Technical Analysis: Power Tools for Active Investors. FT Press.
  4. Arslankaya, S. and Toprak, Ş. (2021). Makine Öğrenmesi ve Derin Öğrenme Algoritmalarını Kullanarak Hisse Senedi Fiyat Tahmini. International Journal of Engineering Research and Development, 13(1), 178-192. https://doi.org/10.29137/umagd.771671
  5. Ahuja, R., Kumar, Y., Goyal, S., Kaur, S., Sachdeva, R.K. and Solanki, V. (2023). Stock Price Prediction by Applying Machine Learning Techniques. 2023 International Conference on Emerging Smart Computing and Informatics (ESCI) 01-03 March 2023. Pune, India: IEEE. Available at: https://ieeexplore.ieee.org/document/10099614 Bhandari, H.N., Rimal, B., Pokhrel, N.R., Rimal, R., Dahal, K.R. and Khatri, R.K.C. (2022). Predicting stock market index using LSTM. Machine Learning with Applications, 9, 1-15. https://doi.org/10.1016/j.mlwa.2022.100320
  6. Cakici, N., Fieberg, C., Metko, D. and Zaremba, A. (2023). Machine learning goes global: Cross-sectional return predictability in international stock market. Journal of Economic Dynamics and Control, 155, 1-32. https://doi.org/10.1016/j.jedc.2023.104725
  7. Cao, Q., Parry, M.E. and Leggio K.B. (2011). The Three-factor Model and Artificial Neural Networks: Predicting Stock Price Movement in China. Annals of Operations Research, 185(1), 25-44. https://doi.org/10.1007/s10479-009-0618-0
  8. Carta, S., Ferreira, A., Podda, A. S., Recupero, D. R. and Sanna, A. (2021). Multi-DQN: An ensemble of Deep Q-learning agents for stock market forecasting. Expert Systems with Applications, 164, 1-16. https://doi.org/10.1016/j.eswa.2020.113820
  9. Di Persio, L. and Honchar, O. (2016). Artificial neural networks architectures for stock price prediction: Comparisons and applications. International Journal of Circuits, Systems and Signal Processing, 10, 403–413.
  10. Durantin, G., Scannella, S., Gateau, T., Delorme, A. and Dehais, F. (2014). Moving Average Convergence Divergence Filter Preprocessing for Real-Time Event-Related Peak Activity Onset Detection: Application to fNIRS Signals. 36th Annual International Con- ference of the IEEE Engineering in Medicine and Biology Society 26-30 August 2014. Chicago, USA. Available at: https://ieeexplore.ieee.org/abstract/document/6944032/metrics#metrics
  11. Ge, Q. (2025). Enhancing stock market Forecasting: A hybrid model for accurate prediction of S&P 500 and CSI 300 future prices. Expert Systems with Applications, 260, 1-30. https://doi.org/10.1016/j.eswa.2024.125380
  12. Gu, S., Kelly, B., and Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/hhaa009
  13. Hooper, J., Zalewski, A. and Watanabe, E. (2013). Advanced Charting Techniques for High Probability Trading: The Most Accurate and Predictive Charting Method Ever Created (10th ed.). New Jersey: John Wiley & Sons.
  14. Khan, W., Ghazanfar, M. A., Azam, M. A., Karami, A., Alyoubi, K. H. and Alfakeeh, A. S. (2022). Stock market prediction using machine learning classifiers and social media, news. Journal of Ambient Intelligence and Humanized Computing, 13, 3433-3456. https://doi.org/10.1007/s12652-020-01839-w
  15. Ma, D., Yuan, D., Huang, M. and Dong, L. (2024). VGC-GAN: A multi-graph convolution adversarial network for stock price prediction. Expert Systems with Applications, 236, 1-14. https://doi.org/10.1016/j.eswa.2023.121204
  16. Manojlović T. and Štajduhar, I. (2015). Predicting stock market trends using random forests: a sample of the Zagreb stock exchange. 38th International Convention on Information and Communication Technology, Electronics and Microelectronics 25-29 May 2015. Opatija, Croatia: IEEE. Available at: https://ieeexplore.ieee.org/abstract/document/7160456 Matriks Finansal Teknolojiler A.Ş. (Matriks) (n.d.). İndikatörler. Retrieved from: https://www.matriksdata.com/website/egitim/yardim-dokumantasyonu/kullanici-platformlari
  17. Pagliaro, A. (2023). Forecasting Significant Stock Market Price Changes Using Machine Learning: Extra Trees Classifier Leads. Electronics, 12, 1-23. https://doi.org/10.3390/electronics12214551
  18. Pangestu, R.A., Vitianingsih, A.V., Kacung, S., Maukar, A.L. and Noertjahyana, A. (2024). Comparative Analysis of Support Vector Regression and Linear Regression Models to Predict Apple Inc. Share Prices. Indonesian Journal of Artificial Intelligence and Data Mining, 7(1), 148-156.
  19. Patel, J., Shah, S., Thakkar, P. and Kotecha K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268. https://doi.org/10.1016/j.eswa.2014.07.040
  20. Pun, C. S. and Wong, H. Y. (2019). A linear programming model for selection of sparse high-dimensional multiperiod portfolios. European Journal of Operational Research, 273 (2), 754-771. https://doi.org/10.1016/j.ejor.2018.08.025
  21. Qiu, M. and Song, Y. (2016). Predicting the direction of stock market index movement using an optimized artificial neural network model. PLoS One, 11(5), 1–11. https://doi.org/10.1371/journal.pone.0155133
  22. Sakhare, N.N. and Imambi S.S. (2019). Performance analysis of regression-based machine learning techniques for prediction of stock market movement. International Journal of Recent Technology and Engineering, 7(6S), 655-662.
  23. Siddiqui, T.A. and Abdullah, Y. (2015). Developing a Nonlinear Model to Predict Stock Prices in India: An Artificial Neural Networks Approach. IUP Journal of Applied Finance, 21(3), 36-49.
  24. Tao, Z., Wu, W. and Wang, J. (2024). Series decomposition Transformer with period- correlation for stock market index prediction. Expert Systems with Applications, 237, 1-9.
  25. Upadhyay, N.K., Singh, V., Singh, S., and Khanna, P. (2023). Enhancing Stock Market Predictability: A Comparative Analysis of RNN And LSTM Models for Retail Investors. Journal of Management and Service Science, 3(1), 1-8. https://doi.org/10.54060/jmss.v3i1.42
  26. Uyar, U., Kelten, G.S. and Moralı, T. (2020). Yatırımcılar İçin Teknik Analiz: Bitcoin ve Ethereum Uygulamaları. Finansal Araştırmalar ve Çalışmalar Dergisi, 12(23), 653-671. https://doi.org/10.14784/marufacd.785878
  27. Uzunoğlu, H., Sümerli Sarıgül, S. and Aldemir, R. (2024). Stock Market Index Prediction Using Machine Learning Techniques: Application of BIST Indices. Journal of Emerging Economies and Policy, 9(2), 96-106.
  28. Vaisla, K.S. and Bhatt, A.K. (2010). An Analysis of The Performance of Artificial Neural Network Technique for Stock Market Forecasting. International Journal on Computer Science and Engineering, 2(6), 2104-2109.
  29. Vijh, M., Chandola, D., Tikkiwal, V.A. and Kumar, A. (2020). Stock Closing Price Prediction Using Machine Learning Techniques. Procedia Computer Science, 167, 599-606. https://doi.org/10.1016/j.procs.2020.03.326
  30. Wang, N., Zhang, M. and Zhang, Y. (2024). Return prediction: A tree-based conditional sort approach with firm characteristics. Finance Research Letters, 60, 1-10.
  31. Xia, L., Liu, X, and Wang, L. (2021). Forecasting Framework Using Hybrid Modeling and Support Vector Regression. 3rd International Conference on Modeling, Simulation and Optimization Technologies and Applications 22-23 November 2020. Bijing, China: IOP Publishing. Available at: https://iopscience.iop.org/article/10.1088/1742-6596/1746/1/012014
  32. Yates, D. and Islam Md. Z. (2021). FastForest: Increasing random forest processing speed while maintaining accuracy. Information Sciences, 57, 130-152. https://doi.org/10.1016/j.ins.2020.12.067