KaydedilenlerDerginizi ekleyin

Dergiler / Sosyoekonomi / 2026 / Cilt: 34 Sayı: 68

LSTM Derin Öğrenme Algoritması Kullanılarak Pay Senedi Fiyat Manipülasyonunun Tespiti: Borsa İstanbul Örneği

Stock Price Manipulation Detection Using an LSTM Deep Learning Algorithm: The Case of Borsa Istanbul

Sibel Fettahoğlu(Kocaeli Üniversitesi İşletme Fakültesi İşletme Bölümü)0000-0003-0783-9776
Mehmet Melih İnal(KOCAELI UNIVERSITY, RECTORATE, DEPARTMENT OF INFORMATICS, DEPARTMENT OF INFORMATICS)0000-0003-1075-0828
Harun Karakaşlı(KOCAELİ ÜNİVERSİTESİ, SOSYAL BİLİMLER ENSTİTÜSÜ)0000-0003-0619-4590
Sayfa
359–384
Yayın Tarihi
2026-04-28
🏛️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)

Bu çalışma, düzenleyicilerin LSTM modelini kullanarak borsalardaki hisse senedi manipülasyonunu tahmin etmeleri ve doğru şekilde sınıflandırmaları için bir bakış açısı olarak sunulabilir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Borsa İstanbul'daki manipülasyonlar yapay zekâ modeli olarak Uzun Kısa Süreli Bellek (LSTM) kullanılarak analiz edilmiştir.
📊
Temel Bulgular & Veri:Çalışmanın amacı, zaman içinde manipüle edilen işlemlerin desenlerini belirlemek ve bu desenleri kullanarak LSTM modelinin etkinliğini değerlendirmektir.
💡
Sonuç & Katkı:Bu çalışma, düzenleyicilerin LSTM modelini kullanarak borsalardaki hisse senedi manipülasyonunu tahmin etmeleri ve doğru şekilde sınıflandırmaları için bir bakış açısı olarak sunulabilir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2020-2023 Verileri
⚙️Değişkenler:Pay Senedi Fiyat Manipülasyonu · Borsa İstanbul · LSTM

Özet

Bu çalışmada Borsa İstanbul'daki manipülasyonlar yapay zekâ modeli olarak Uzun Kısa Süreli Bellek (LSTM) kullanılarak analiz edilmiştir. Çalışmanın amacı, zaman içinde manipüle edilen işlemlerin desenlerini belirlemek ve bu desenleri kullanarak LSTM modelinin etkinliğini değerlendirmektir. Analizler, 2020-2023 yılları arasında Türkiye Sermaye Piyasası Kurulu (SPK) bültenlerinde manipülasyon yapıldığı tespit edilen 88 şirketin 106 manipülasyon dönemine ait toplam 12.549 günlük gözlem verisi ile gerçekleştirilmiştir. Modelin doğruluğu performans metrikleri kullanılarak değerlendirilmiştir. Sonuçlar, önerilen LSTM modelinin hem eğitim hem de test verilerinde yüksek performans gösterdiğini ortaya koymaktadır. Bu çalışma, düzenleyicilerin LSTM modelini kullanarak borsalardaki hisse senedi manipülasyonunu tahmin etmeleri ve doğru şekilde sınıflandırmaları için bir bakış açısı olarak sunulabilir.

Abstract

The manipulations in Borsa Istanbul were analysed using Long Short-Term Memory (LSTM), an artificial intelligence model, in this study. The goal of the study is to determine the patterns of manipulated transactions over time and to evaluate the LSTM model's effectiveness in predicting them. The analyses were conducted using a dataset comprising 12.549 daily observations from 106 manipulation periods involving 88 publicly listed firms identified as having engaged in market manipulation, as reported in the bulletins of the Capital Markets Board of Türkiye during the period 2020 to 2023. The model's accuracy was evaluated using performance metrics. The results show that the proposed LSTM model achieved high performance on both the training and test data. This study can be presented as a perspective for regulators to predict and truly classify stock manipulation on bourses using the LSTM model.

🔖

Bu Makaleye Atıf Yap

Fettahoğlu, S., İnal, M. M., Karakaşlı, H. (2026). LSTM Derin Öğrenme Algoritması Kullanılarak Pay Senedi Fiyat Manipülasyonunun Tespiti: Borsa İstanbul Örneği. Sosyoekonomi, Cilt: 34 Sayı: 68, 359–384. https://doi.org/10.17233/sosyoekonomi.2026.02.15

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (44)

  1. Aggarwal, R.K. & G. Wu (2006), “Stock Market Manipulations”, The Journal of Business, 79(4), 1915-1953.
  2. Aksoy, B. (2020), “Finansal Piyasalarda Pay Senedi Manipülasyonunun Veri Madenciliği Yöntemleri ile Tahmini: Borsa İstanbul Örneği”, International Journal of Economics and Administrative Studies, 28, 1-24.
  3. Allen, F. & D. Gale (1992), “Stock-Price Manipulation”, The Review of Financial Studies, 5(3), 503-529.
  4. Altın, E. (2022), “Sermaye Piyasaları ve Borsalarda Manipülasyon: Borsa İstanbul Üzerine Ampirik Bir Çalışma”, Doctoral Thesis, İstanbul: İstanbul University Social Science Institute.
  5. Amihud, Y. (2002), “Illiquidity and Stock Returns: Cross-Section and Time Series Effects”, Journal of Financial Markets, 5(1), 31-56.
  6. Appel, G. (2005), Technical Analysis Power Tools for Active Investors, FT Prentice Hall, An Imprint of Pearson Education, New York.
  7. Arya, K.V. et al. (2024), Artificial Intelligence and Machine Learning Techniques in Image Processing and Computer Vision, Burlington: Apple Academic Press.
  8. Birant, K.U. (2023), “Semi-Supervised k-Star (SSS): A Machine Learning Method with a Novel Holo-Training Approach”, Entropy, 25(1), e25010149.
  9. Bisette, V. et al. (2024), Financial Machina: Machina Learning for Finance, Reactive Publishing.
  10. Borsa Istanbul (2024), Closing Session in Borsa Istanbul, <https://www.borsaistanbul.com/tr/sayfa/340/kapanis-seansi˃, 27.06.2024.
  11. Borsa Istanbul (2025), Investor Production and Market Surveillance, <https://www.borsaistanbul.com/en/sayfa/9060/investor-protection-and-market-surveillance˃ 04.07.2025
  12. Brouwer, D.G. (2003), Hedge Funds in Emerging Markets, Cambridge University Press, Cambridge.
  13. Capital Markets Board of Türkiye Bulletins (2024), Bulletins, <https://spk.gov.tr/spk-bultenleri˃, 26.06.2024.
  14. Chullamonthon, P. & P. Tangamchit (2023), “Ensemble of Supervised and Unsupervised Deep Neural Networks for Stock Price Manipulation Detection”, Expert Systems with Applications, 220, 119698.
  15. Erdinç, Y. (2004), Yatırımcı ve Teknik Analiz Sorgulanıyor, Ankara: Siyasal Kitapevi.
  16. FasterCapital (2024), The Psychology Behind Market Manipulation, <https://fastercapital.com/topics/the-psychology-behind-market-manipulation.html#:~:text=The%20psychology%20behind%20market%20manipulation%20is%20a%20complex%20topic%20that,positions%2C%20causing%20prices%20to%20drop˃, 27.06.2024.
  17. Fettahoğlu, S. & M.M. İnaI (2022), “Importance of Fintechs in Digital Age for Turkey and the Role of Information Technologies”, in: O. Gonullu (ed.), Digitalization in Business and Economy Blockchain, Cryptocurrencies, Industry 4.0., Digital Transformation (53-68), Ankara: Nobel Publishing.
  18. Fırat, D. & S. Fettahoğlu (2011), “Investors’ Purchasing Behaviour via a Behavioural Finance Approach”, International Journal of Business and Management, 6(7), 153-163.
  19. Gemici, E. & M. Cihangir (2020), “İşlem Bazlı Manipülasyonun Pay Senedi Getirileri Üzerindeki Etkisi”, Gaziantep University Journal of Social Sciences, 19(2), 274-288.
  20. Gemici, E. et al. (2017), “İşlem Bazlı Manipülasyon: Türkiye Örneği”, Ege Academic Review, 17(3), 369-380.
  21. Govind, V. (2023), Revisiting EMH: Adapting Financial Theories for Modern Markets, <https://vishnugovind10.medium.com/revisiting-emh-adapting-financial-theories-for-modern-markets-e59d53c21897˃, 30.06.2024.
  22. Gunjan, V.K. et al. (2024), Modern Approaches in Machine Learning and Cognitive Sciences: A Walkthrough, Cham: Springer.
  23. Hao, Y. et al. (2023), “Market Manipulation in Stock and Power Markets: A Study of Indicator-Based Monitoring and Regulatory Challenges”, Energies, 16(4), 1894.
  24. Hochreiter, S. & J. Schmidhuber (1997), “Long Short-Term Memory”, Neural Computation, 9(8), 1735-1780.
  25. Huang, H. & Y. Wu (2024), “Deep-Learning Based High-Frequency Jump Test for Detection Stock Market Manipulation: Evidence from China’s Securities Market”, Kybernetes, 55(1), 658-674.
  26. Huang, L. & R. Mao (2024), “Cryptic Excitement: Unveiling Market Reactions to Facebook's Metaverse and Potential Manipulation in China's Stock Market”, Finance Research Letters, 60, 104886.
  27. Kohavi, R. & G. John (1997), “Wrappers for Feature Subset Selection”, Artificial Intelligence, 97(1997), 273-324.
  28. Kshyap, P. (2024), Machine Learning for Decision Makers: Cognitive Computing Fundamentals for Better Decision Making, New York: Springer.
  29. Leangarun, T. et al. (2021), “Stock Price Manipulation Detection Using Deep Unsupervised Learning: The Case of Thailand”, IEE Access, 9, 106824-106838.
  30. Li, A. et al. (2017), “Market Manipulation Detection Based on Classification Methods”, Procedia Computer Science, 122(2017), 788-795.
  31. Li, J. & J. Wang (2020), “Forecasting of Energy Futures Market and Synchronization Based on Stochastic Gated Recurrent Unit Model”, Energy, 213, 118787.
  32. Liu, C. et al. (2024), “A Stock Price Manipulation Detection Model with Ensemble Learning”, Expert Systems with Applications, 248, 123479.
  33. Lokanan, M.E. & K. Sharma (2022), “Fraud Prediction Using Machine Learning: The Case of Investment Advisors in Canada”, Machine Learning with Applications, 8, 100269.
  34. Mazgit, İ. (2013), “Endeks Kapsamında Olmanın Hisse Senedi Getirilerine Etkisi: BIST Temettü 25 Endeksi Üzerine Bir Uygulama”, Sosyoekonomi, 20(20), 225-264.
  35. Öğüt, H. et al. (2009), “Detecting Stock-Price Manipulation in an Emerging Market: The Case of Turkey”, Expert Systems with Applications, 36(9), 11944-11949.
  36. Paluszek, M. & S. Thomas (2024), MATLAB Machine Learning Recipes, Plainsboro: Apress.
  37. Priyadarshi, P. & P.A. Kumar (2024), “A Comprehensive Review on Insider Trading Detection Using Artificial Intelligence”, Journal of Computational Social Science, 7, 1645-1664.
  38. Radfar, E. (2025), “Stock Market Trend Prediction Using Deep Neural Network via Chart Analysis: A Practical Method or a myth?”, Humanities and Social Sciences Communications, 122, 662.
  39. Safonova, A. et al. (2023), “Ten Deep Learning Techniques to Address Small Data Problems with Remote Sensing”, International Journal of Applied Earth Observation and Geoinformation, 125, 103569.
  40. Satola, A. & K. Satola (2024), “Performance Comparison of Machine Learning Models Used for Predicting Subclinical Mastitis in Dairy Cows: Bagging, Boosting, Stacking and Super-Learner Ensembles Versus Single Machine Learning Models”, Journal of Dairy Science, 107(6), 3959-3972.
  41. Sincere, M. (2011), All about Market Indicators, McGraw-Hill, New York.
  42. Söylemez, Y. (2020), “Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini”, Sosyoekonomi, 28(46), 271-291.
  43. Turkish Investor Relations Society (2025), Stock Market Trend Report, <https://www.tuyid.org/tr/files.php?type=borsa&id=104˃, 04.07.2025.
  44. Uslu, N.C. & F. Akal (2022), “A Machine Learning Approach to Detection of Trade-Based Manipulations in Borsa Istanbul”, Computational Economics, 60(1), 25-45.