Cilt 14 Sayı 1 (2026): Business & Management Studies: An International Journal
Makaleler

Karmaşık hisse senedi ağlarında finansal bulaşıcılığın modellenmesi: Grafik sinir ağlarına dayalı karar destek çerçevesi

PDF (İngilizce)
  • Cevher Özden
Cevher Özden
Dr. Öğr. Üyesi, Çukurova Üniversitesi, Adana, Türkiye

Yayınlanmış 25.03.2026

Anahtar Kelimeler

  • Financial Contagion, Financial Networks, Decision Support Systems
  • Finansal Bulaşma, Finansal Ağlar, Karar Destek Sistemleri

Nasıl Atıf Yapılır

Karmaşık hisse senedi ağlarında finansal bulaşıcılığın modellenmesi: Grafik sinir ağlarına dayalı karar destek çerçevesi. (2026). Business & Management Studies: An International Journal, 14(1), 32-47. https://doi.org/10.15295/bmij.v14i1.2682

Telif Hakkı (c) 2026 Cevher Özden

Creative Commons License

Bu çalışma Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanslanmıştır.

Nasıl Atıf Yapılır

Karmaşık hisse senedi ağlarında finansal bulaşıcılığın modellenmesi: Grafik sinir ağlarına dayalı karar destek çerçevesi. (2026). Business & Management Studies: An International Journal, 14(1), 32-47. https://doi.org/10.15295/bmij.v14i1.2682

Öz

Finansal piyasalar giderek daha fazla birbirine bağlı hâle gelmiş olup, belirsizlik dönemlerinde bulaşma etkilerinin hızını ve büyüklüğünü artırmaktadır. Bu çalışma, Borsa İstanbul hisse senedi piyasasında finansal bulaşmayı ve sistemik kırılganlığı incelemek amacıyla bütünleşik bir ağ temelli ve makine öğrenmesi çerçevesi önermektedir. 2023–2025 dönemini kapsayan 106 hisse senedine ait günlük logaritmik getiriler kullanılarak, korelasyona dayalı bir finansal grafik ağ oluşturulmuş ve Minimum Örten Ağaç yaklaşımı kullanılarak yapısal omurgası çıkarılmıştır. Ortaya çıkan topoloji, sistemik önemin sınırlı sayıda varlıkta yoğunlaştığı, merkez ağırlıklı bir yapıyı ortaya koymaktadır. Gelecekteki volatilite rejimlerini sınıflandırmak amacıyla bir Grafik Sinir Ağı kullanılmıştır. Model, örneklem dışı dönemde %65 sınıflandırma doğruluğu elde etmiş olup, bu sonuç ağ farkındalığına sahip öğrenmenin, izole zaman serisi modellerinde mevcut olmayan öngörücü sinyalleri yakalayabildiğini göstermektedir. Bulgular, finansal bulaşmanın piyasalar karmaşık ağlar olarak modellendiğinde hem yapısal olarak içkin olduğunu hem de öngörülebilir biçimde kullanılabilir nitelik taşıdığını ortaya koymaktadır. Bu çalışma, tahmine dayalı derin çizge (grafik) öğrenimini gelişmekte olan bir piyasanın yüksek volatilite dinamiklerine uygulayarak; önceki yerel araştırmalarda hakim olan statik topolojilerin ve geleneksel ekonometrik modellerin ötesine geçmekte ve literatürdeki kritik bir boşluğu doldurmaktadır. Önerilen çerçeve, reel sektördeki bulaşıcılık merkezlerinin erken tespit edilmesini mümkün kılarak portföy yöneticileri ve makro ihtiyati regülatörler için pratik çıkarımlar sunmaktadır.

PDF (İngilizce)

Referanslar

  1. Acemoglu, D., Ozdaglar, A., & Tahbaz-Salehi, A. (2015). Systemic risk and stability in financial networks. American Economic Review, 105(2), 564–608. https://doi.org/10.1257/aer.20130456
  2. Ahmed, R. R., Vveinhardt, J., Štreimikienė, D., Ghauri, S. P., & Ashraf, M. (2018). Stock returns, volatility and mean reversion in emerging and developed financial markets. Technological and Economic Development of Economy, 24(3), 1149–1177. https://doi.org/10.3846/20294913.2017.1323317
  3. Allen, F., & Babus, A. (2009). Networks in finance. In P. R. Kleindorfer & Y. Wind (Eds.), The network challenge: Strategy, profit, and risk in an interlinked world (pp. 367–382). Pearson.
  4. Altinbas, H. (2025). Volatility in the Turkish stock market: An analysis of influential events. Journal of Asset Management, 26, 1–14. https://doi.org/10.1057/s41260-024-00383-y
  5. Balmaseda, V., Coronado, M., & de Cadenas-Santiago, G. (2023). Predicting systemic risk in financial systems using deep graph learning. Intelligent Systems with Applications, 19, 200240. https://doi.org/10.1016/j.iswa.2023.200240
  6. Barberis, N., Shleifer, A., & Vishny, R. (1998). A model of investor sentiment. Journal of Financial Economics, 49(3), 307–343. https://doi.org/10.1016/S0304-405X(98)00027-0
  7. Battiston, S., Caldarelli, G., May, R. M., Roukny, T., & Stiglitz, J. E. (2016). The price of complexity in financial networks. Proceedings of the National Academy of Sciences, 113(36), 10031–10036. https://doi.org/10.1073/pnas.1521573113
  8. Battiston, S., Puliga, M., Kaushik, R., Tasca, P., & Caldarelli, G. (2012). DebtRank: Too central to fail? Financial networks, the FED and systemic risk. Scientific Reports, 2(1), 541. https://doi.org/10.1038/srep00541
  9. Billio, M., Getmansky, M., Lo, A. W., & Pelizzon, L. (2012). Econometric measures of connectedness and systemic risk in the finance and insurance sectors. Journal of Financial Economics, 104(3), 535–559. https://doi.org/10.1016/j.jfineco.2011.12.010
  10. Bukhari, M., Maqsood, M., & Sattar, A. (2025). A novel inter-intra graph neural networks for stock price forecasting modeling cross-border relationships. Expert Systems with Applications, 286, 127907. https://doi.org/10.1016/j.eswa.2025.127907
  11. Bursa, N. (2025). Stock market telepathy: Graph neural networks predicting the secret conversations between MINT and G7 countries. arXiv preprint arXiv:2506.01945. https://doi.org/10.48550/arXiv.2506.01945
  12. Caliskan, H., Cevik, E. I., Cevik, N. K., & Diboglu, S. (2021). Identifying systemically important financial institutions in Turkey. Research in International Business and Finance, 56, 101374. https://doi.org/10.1016/j.ribaf.2020.101374
  13. Chen, Z., Zhang, W., & Yao, Y. (2026). Contagion risk prediction with chart graph convolutional network: Evidence from Chinese stock market. Emerging Markets Review, 71, 101426. https://doi.org/10.1016/j.ememar.2025.101426
  14. Demirer, M., Diebold, F. X., Liu, L., & Yılmaz, K. (2018). Estimating global bank network connectedness. Journal of Applied Econometrics, 33(1), 1–15. https://doi.org/10.1002/jae.2585
  15. Deng, Y., Lu, M., Zhou, X., Qi, Y., & Ouyang, Z. (2025). Statistical analysis and applications of financial network data in the era of digital intelligence. Data Science in Finance and Economics, 5(4), 536–556. https://doi.org/10.3934/DSFE.2025021
  16. Diebold, F. X., & Yılmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of Econometrics, 182(1), 119–134. https://doi.org/10.1016/j.jeconom.2014.04.012
  17. Feng, R., Jiang, S., Liang, X., & Xia, M. (2025). STGAT: Spatial–temporal graph attention neural network for stock prediction. Applied Sciences, 15(8), 4315. https://doi.org/10.3390/app15084315
  18. Forbes, K. J., & Rigobon, R. (2002). No contagion, only interdependence: Measuring stock market co-movements. The Journal of Finance, 57(5), 2223–2261. https://doi.org/10.1111/0022-1082.00494
  19. Gu, S., Kelly, B., & 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
  20. He, C., Wen, Z., Huang, K., & Ji, X. (2022). Sudden shock and stock market network structure characteristics: A comparison of past crisis events. Technological Forecasting and Social Change, 180, 121732. https://doi.org/10.1016/j.techfore.2022.121732
  21. Huang, X., Zhou, H., & Zhu, H. (2013). Systemic risk contributions. Journal of Financial Services Research, 42(1–2), 55–83. https://doi.org/10.1007/s10693-011-0117-8
  22. Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. In Proceedings of the 5th International Conference on Learning Representations (ICLR). https://openreview.net/forum?id=SJU4ayYgl
  23. Kumar, S., & Deo, N. (2012). Correlation and network analysis of global financial indices. Physical Review E, 86(2), 026101. https://doi.org/10.1103/PhysRevE.86.026101
  24. Kumar, P. N., Umeorah, N., & Alochukwu, A. (2024). Dynamic graph neural networks for enhanced volatility prediction in financial markets. arXiv preprint arXiv:2410.16858. https://doi.org/10.48550/arXiv.2410.16858
  25. Lo, A. W., & MacKinlay, A. C. (1999). A non-random walk down Wall Street. Princeton University Press.
  26. Malkina, M. Y. (2024). Financial contagion of the commodity markets from the stock market during pandemic and new sanctions shocks. Journal of Applied Economic Research, 23(2), 452–475. https://doi.org/10.15826/vestnik.2024.23.2.018
  27. Mantegna, R. N. (1999). Hierarchical structure in financial markets. European Physical Journal B, 11, 193–197. https://doi.org/10.1007/s100510050929
  28. Mishra, P. K., & Mishra, S. K. (2021). COVID-19 pandemic and stock market reaction: Empirical insights from 15 Asian countries. Transnational Corporations Review, 13(2), 139–155. https://doi.org/10.1080/19186444.2021.1924536
  29. Qian, S., You, H., & Zhang, X. (2025). Systemic risk between banks and firms in dual-layer dynamic networks. Emerging Markets Review, 66, 101276. https://doi.org/10.1016/j.ememar.2025.101276
  30. Sharda, R., Delen, D., & Turban, E. (2020). Analytics, data science, and artificial intelligence: Systems for decision support (11th ed.). Pearson.
  31. Şükrüoğlu, D. (2022). Effects of COVID-19 on the BIST 100 network structure. Applied Economics, 54(52), 5991–6007. https://doi.org/10.1080/00036846.2022.2108540
  32. Tabash, M. I., Chalissery, N., Nishad, T. M., & Al-Absy, M. S. M. (2024). Market shocks and stock volatility: Evidence from emerging and developed markets. International Journal of Financial Studies, 12(1), 2. https://doi.org/10.3390/ijfs12010002
  33. Wang, J., Zhang, S., Xiao, Y., & Song, R. (2022). A review on graph neural network methods in financial applications. Journal of Data Science, 20(2), 111–134. https://doi.org/10.6339/22-JDS1047
  34. Wei, Z.-L., An, H.-Y., Yao, Y., Su, W.-C., Li, G., Saifullah, X., Sun, B.-F., & Wang, M.-J.-S. (2025). FSTGAT: Financial spatio-temporal graph attention network for non-stationary financial systems and its application in stock price prediction. Symmetry, 17(8), 1344. https://doi.org/10.3390/sym17081344
  35. Zhang, D., Hu, M., & Ji, Q. (2020). Financial markets under the global pandemic of COVID-19. Finance Research Letters, 36, 101528. https://doi.org/10.1016/j.frl.2020.101528