Cilt 13 Sayı 3 (2025): Business & Management Studies: An International Journal
Makaleler

Yapay sinir ağları yöntemiyle BIST 100 endeksi tahmini

PDF
  • Hakan Yılmaz
Hakan Yılmaz
Dr. Öğr. Üyesi, Ağrı İbrahim Çeçen Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, İşletme Bölümü, Ağrı, Türkiye

Yayınlanmış 25.09.2025

Anahtar Kelimeler

  • Artificial Neural Networks, BIST 100 Index, Prediction Model
  • Yapay Sinir Ağları, BIST 100 Endeksi, Tahmin Modeli

Nasıl Atıf Yapılır

Yapay sinir ağları yöntemiyle BIST 100 endeksi tahmini. (2025). Business & Management Studies: An International Journal, 13(3), 1240-1259. https://doi.org/10.15295/bmij.v13i3.2621

Telif Hakkı (c) 2025 Hakan Yılmaz

Creative Commons License

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

Nasıl Atıf Yapılır

Yapay sinir ağları yöntemiyle BIST 100 endeksi tahmini. (2025). Business & Management Studies: An International Journal, 13(3), 1240-1259. https://doi.org/10.15295/bmij.v13i3.2621

Öz

Borsa üzerine gerçekleştirilen tahminler, bireysel ve kurumsal yatırımcıların doğru yatırım kararı alabilmeleri için geçmiş finansal verilerden yola çıkılarak geleceğe dönük öngörüde bulunmaları işlemidir. Borsa endeks tahmini ve hisse senedi fiyat tahmini gibi tahmin çalışmalarında yaygın olarak kullanıldığı görülen tekniklerden birisi de Yapay Sinir Ağları (YSA) yöntemidir. Gerçekleştirilen bu çalışmada, çok katmanlı ileri beslemeli geri yayılım algoritmalı YSA aracılığıyla 02.01.2014 ile 23.12.2024 arasındaki Türkiye Cumhuriyet Merkez Bankası ve diğer borsa internet sitelerinden elde edilen veriler kullanılarak BIST 100 endeksinin tahmin edilmesi amaçlanmıştır. Araştırmada 2014-2022 dönemine ait BIST verileriyle çok sayıda model denemesi gerçekleştirilmiştir. Bu kapsamda oluşturulan modeller arasından istatistiki performans ölçütlerine göre en iyi dört model belirlenerek 2023-2024 döneminin verileriyle BIST 100 endeks öngörüsü (forecasting) analiz edilmiştir. Çalışma sonucunda oluşturulan modellerden Model 2 hariç diğer üç modelin R² değerlerinin %60 başarı düzeyinin üzerinde gerçekleştiği; sırasıyla Model 1’in %61,9, Model 3’ün %60,4 ve Model 4’ün %63,2 R² değerine ulaştığı belirlenmiştir.

PDF

Referanslar

  1. ABD 10 Yıllık Tahvil Faizi, (2025). Erişim adresi: https://tr.investing.com/rates-bonds/u.s.-10-year-bond-yield
  2. Akbulut, S. ve Adem, K. (2023). Derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak gelişmekte olan ülkelerin finansal enstrümanlarının etkileşimi ile Bist 100 tahmini. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 52-63. doi: 10.28948/ngmuh.1131191
  3. Alotaibi, T., Nazir, A., Alroobaea, R., Alotibi, M., Alsubeai, F., Alghamdi, A. ve Alsulimani, T. (2018). Saudi Arabia stock market prediction using neural network. International Journal on Computer Science and Engineering, 10(2), 62-70. doi: 10.21817/ijcse/2018/v10i2/181002024
  4. Ballesteros, M. A. A. ve Miranda, E. A. M. (2025). Stock market forecasting using a neural network through fundamental indicators, technical indicators and market sentiment analysis. Computational Economics, (66), 1715-1745. https://doi.org/10.1007/s10614-024-10711-4
  5. Bello, M. Y. ve Chiroma, H. (2011). Utilising artificial neural network for prediction in the Nigerian stock market price indeks. GESJ: Computer Science and Telecommunications,1(30), 68-77. Erişim adresi: https://gesj.internet-academy.org.ge/en/title_en.php?b_sec=comp
  6. BIST 100 (XU100) Kapanış Fiyatları, (2025). Erişim adresi: https://tr.investing.com/indices/ise-100
  7. BIST Pay Endeksleri Temel Kuralları. (2018). Erişim adresi: https://www.borsaistanbul.com/tr/duyuru/914/bist-pay-endeksleri-temel-kurallari-guncellendi
  8. Brent Petrol Vadeli İşlemleri, (2025). Erişim adresi: https://tr.investing.com/commodities/brent-oil
  9. Chahuan-Jimenez, K. (2024). Neural network-Based predictive models for stock market ındex forecasting. Journal of Risk and Financial Management, 17(242), 1-18. https://doi.org/10.3390/jrfm17060242
  10. Çelik, Y. (2024). Bellek tabanlı LTSM ve GRU makine öğrenmesi algoritmaları kullanarak BIST100 endeks tahmini. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(2), 553-561. https://doi.org/10.35234/fumbd.1406688
  11. Çetin, D. T. ve Metlek, S. (2021). Türkiye’deki İslami hisse senedi endeksinin, endeks tabanlı öznitelikler kullanılarak derin öğrenme yöntemi ile tahmini. Acta Infologica, 5(2), 287-298. https://doi.org/10.26650/acin.975633
  12. DARPA Neural Network Study (US). (1988). DARPA neural network study: October 1987- February 1988. AFCEA International Press.
  13. DenizBank-BIST 100 Endeksi Bilgi. (2025). Erişim adresi: https://www.denizbank.com/blog/yatirim/bist-100-endeksi-nedir-nasil-hesaplanir-111171
  14. Diane, L. ve Brijlal, P. (2024). Forecasting stock market realised volatility using random forest and artificial neural network in South Africa. International Journal of Economics and Financial Issues, 14(2), 514. https://doi.org/10.32479/ijefi.15431
  15. Elmas, Ç. (2010). Yapay zeka uygulamaları (Yapay sinir ağı, bulanık mantık, genetik algoritma). İstanbul: Seçkin Yayıncılık.
  16. Enflasyon Oranları, (2025). Erişim adresi: https://www.tcmb.gov.tr
  17. Erdal, H. ve Korucuk, S. (2023). Bütünleşik dalgacık dönüşümü-Evrişimsel sinir ağları tabanlı derin öğrenme yaklaşımı ve borsa tahmini üzerine bir uygulama. Karadeniz Sosyal Bilimler Dergisi, 15(29), 387-404. https://doi.org/10.38155/ksbd.1258709
  18. Fadlalla, A. ve Amani, F. (2014). Predicting next trading day closing price of Qatar Exchange ındex using technical indicators and artificial neural networks. Intelligent Systems in Accounting Finance and Management, 21(4), 209-223. doi: 10.1002/isaf.1358
  19. Fausett, L. V. (1993). Fundamentals of neural networks: Architectures, algorirtms and applicatioans. India: Pearson Education.
  20. Gecelik Repo Faiz Oranları, (2025). Erişim adresi: https://www.tcmb.gov.tr
  21. Ghashami, F., Kamyar, K. ve Riazi, A. (2021). Prediction of stock market index using a hybrid technique of artificial neural networks and particle swarm optimisation. Applied Economics and Finance, 8(3), 1-8. doi:10.11114/aef.v8i3.5195
  22. Grigoryan, H. (2015). Stock market prediction using artificial neural networks. Case study of TAL1T, Nasdaq OMX Baltic Stock. Database Systems Journal, 6(2), 14-23. Erişim adresi: https://www.dbjournal.ro/
  23. Hamzaçebi, Ç. (2011). Yapay sinir ağları: Tahmin amaçlı kullanımı matlab ve neurosolutions uygulamalı, Bursa: Ekin Yayınevi.
  24. Hatipoğlu, T., Boran, S., Özcan, B. ve Fığlalı, A. (2013). Yapay sinir ağı yaklaşımıyla çinko kalınlığının tahminlenmesi. Sakarya Üniversitesi Fen Bilimleri Dergisi, 17(1), 60-68. Erişim adresi: https://dergipark.org.tr/en/pub/saufenbilder
  25. Idowu, P. A., Osakwe, C., Kayode, A. A. ve Adagunodo, E. R. (2012). Prediction of stock market in Nigeria using artificial neural network. International Journal of Intelligent Systems and Applications, 4(11), 68-74. doi: 10.5815/ijisa.2012.11.08,
  26. İmalat Sanayi Kapasite Kullanım Oranları, (2025). Erişim adresi: https://www.tcmb.gov.tr
  27. Kantar, L. (2020). Bist 100 endeksinin yapay sinir ağları ve ARMA modeli ile tahmini. Muhasebe ve Finans İncelemeleri Dergisi, 3(2), 121-131. https://doi.org/10.32951/mufider.725722
  28. Karakul, A. K. (2020). Yapay sinir ağları ile Bist-100 endeks değerinin tahmin edilmesi. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(2), 497-509. https://doi.org/10.30798/makuiibf.721866
  29. Karslı, M., Kahraman, H. ve Bayındır, A. (1994). İslam açısından borsa. İstanbul: Ensar Neşriyat.
  30. Kartal, C. (2020). Destek vektör makineleri ile borsa endekslerinin tahmini. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 9(2), 1394-1418. https://doi.org/10.15869/itobiad.673015
  31. Köse, E., Gülal, Ö. S. ve Seçme, G. (2021). Bist sürdürülebilirlik endeksine alternatif bir yaklaşım: Finansal göstergeler ile bir tahmin. Süleyman Demirel Üniversitesi Vizyoner Dergisi, 12(30), 520-531. https://doi.org/10.21076/vizyoner.815538
  32. Kutlu, B. ve Badur, B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim-İstanbul Üniversitesi işletme Fakültesi İşletme İktisadı Enstitüsü Dergisi, 20(63), 25-40. Erişim adresi: https://dergipark.org.tr/tr/pub/imj
  33. Küçükönder, H. (2011). Yapay sinir ağları ve tarımda bir uygulama (Yayımlanmamış doktora tezi). Kahramanmaraş Sütçü İmam Üniversitesi Sosyal Bilimler Enstitüsü, Kahramanmaraş.
  34. Lewis, C. D. (1982). Industrial and business forecasting methods. London: Butterworths.
  35. Lippmann, R. (1987). An introduction to computing with neural nets. IEEE Assp Magazine, 4(2), 4-22. https://doi.org/10.1145/44571.44572
  36. Majumder, M. ve Hussian, A. (2007). Forecasting of Indian stock market ındex using artificial neural network. Information Science, 1-21. Erişim adresi: https://www.academia.edu
  37. Manu, K. S., Kalra, R. ve Subhika, M. S. (2020). Stock index prediction using artificial neural network and econometrik model: The case of Nifty 50. International Lournal of Advanced Science and Technology, 29(5), 3425-3437. Erişim adresi: http://sersc.org/journals/index.php/IJAST/index
  38. Moghaddam, A. H., Moghaddam, M. H. ve Esfandyari, M. (2016). Stock market index prediction using artificial neural network. Journal of Economics, Finance and Administrative Science, 21(41), 89-93. http://dx.doi.org/10.1016/j.jefas.2016.07.002
  39. MSCI Gelişmekte Olan Piyasalar Endeksi, (2025). Erişim adresi: https://tr.investing.com/indices/msci-emerging-markets
  40. Nabiyev, V. V. (2005). Yapay zeka: Problemler-Yöntemler-Algoritmalar. Ankara: Seçkin Yayınevi.
  41. Neenwi, S., Asagba, P. O. ve Kabari L. G. (2013). Predicting the Nigerian stock market using artificial neural network. European Journal of Computer Science and Information, 1(1), 30-39. Erişim adresi: https://eajournals.org/ejcsit/
  42. Özarı, Ç. ve Demirkale, Ö. (2022). K-En yakın komşu algoritması ile Dolar-TL ve Euro-TL kuru kullanarak borsa endeks tahmini. Maliye ve Finans Yazıları, (117), 41-62. https://doi.org/10.33203/mfy.1034155
  43. Özcan, K. A. (2023). Borsa endeksi yönünün makine öğrenmesi yöntemleri ile tahmini: BIST 100 örneği. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 14(3), 1001-1018. Erişim adresi: https://dergipark.org.tr/en/pub/gumus
  44. Özer, A., Sarı, S. S. ve Başakın, E. E. (2018). Bulanık mantık ve yapay sinir ağları ile borsa endeks tahmini: Gelişmiş ve gelişmekte olan ülkeler örneği. Hitit Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(1), 99-123. https://doi.org/10.17218/hititsosbil.390490
  45. Öztemel, E. (2003). Yapay sinir ağları. İstanbul: Papatya Yayınları.
  46. Pabuçcu, H. (2019). Borsa endeksi hareketlerinin makine öğrenme algoritmaları ile tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (23), 179-190. https://doi.org/10.18092/ulikidince.484138
  47. Pande N. K., Kumar, A. ve Gupta, A. K. (2024). Forecasting stock ındices: Stochastic and artificial neural network models. Computational Economics, 1-33. https://doi.org/10.1007/s10614-024-10615-3
  48. Sagir, A. M. ve Sathasivam, S. (2017). the usa of artificial neural network and multiple linear regressions for stock market forecasting. Matematika, 33(1), 1-10. https://doi.org/10.11113/matematika.v33.n1.956
  49. Sarı, S. S. (2021). Amerikan 10 yıllık tahvil faiz oranlarına dayanılarak BİST 100 endeks tahmininde ağaç tabanlı regresyon modelleri uygulaması. Çukurova Üniversitesi İİBF Dergisi, 25(2), 225-238. https://doi.org/10.51945/cuiibfd.1000827
  50. Sarı, S. S. ve Başakın, E. E. (2020, December). Ağaç tabanlı regresyon modelleriyle gayrimenkul yatırım ortaklıkları endeksinin tahmin edilmesi. International Marmara Social Sciences Congress Proceedings Book (Imascon 2020-Autumn), 309-317.
  51. Sarı, S. S. ve Başakın, E. E. (2021). Borsa İstanbul banka endeksi’nin veri tabanlı modeller ile analiz edilmesi. Verimlilik Endeksi, (3), 147-163. https://doi.org/10.51551/verimlilik.691193
  52. Sarı, S. S. ve Ilgın, K. S. (2022). BIST-100 endeks hareketlerinin BRICS endeksleri aracılığıyla tahmin edilmesi: Yapay sinir ağları uygulaması. Abant Sosyal Bilimler Dergisi, 22(1), 351-366. https://doi.org/10.11616/asbi.1096346
  53. Selvamuthu, D., Kumar, V. ve Mishra, A. (2019). Indian stock market prediction using artificial neural networks on tick data. Financial Innovation, 5(1), 1-12. https://doi.org/10.1186/s40854-019-0131-7
  54. Sharma, D. K., Hota, H. S., Brown, K. ve Handa, R. (2022). Integration of genetic algorithm with artificial neural network for stock market forecasting. International Journal of System Assurance Engineering and Management, 13(Suppl. 2), 828-841. https://doi.org/10.1007/s13198-021-01209-5
  55. Simpson, P. K. (1996). Neural networks theory, technology and applicatons. New York, NY, USA: IEEE.
  56. Şen, Z. (2004). Yapay sinir ağları ilkeleri, İstanbul: Su Vakfı Yayınları.
  57. USD/TRY, (2025). Erişim adresi: https://tr.investing.com/currencies/usd-try
  58. VIX Volatility Endeksi, (2025). Erişim adresi: https://www.investing.com/indices/volatility-s-p-500
  59. Villaruz, J. A., Gerardo, B. D. ve Medina, R. J. (2023). Philippine stock exchange ındex forecasting using a tuned artificial neural network model with a modified firefly algorithm. 6th International Conference on Pattern Recognition and Artificial Intelligence (PRAI), 1039-1044, IEEE.
  60. XAU/USD Ons Altın, (2025). Erişim adresi: https://tr.investing.com/currencies/xau-usd
  61. Yakut, E. (2020). Veri madenciliği teknikleri ve yapay sinir ağları. Ankara: Akademisyen Kitabevi.
  62. Yakut, E., Elmas, B. ve Yavuz, S. (2014). Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157. Erişim adresi: https://dergipark.org.tr/tr/pub/sduiibfd
  63. Zhang, G., Patuwo, B. E. ve Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14(1), 35-62. https://doi.org/10.1016/S0169-2070(97)00044-7