Yapay sinir ağları ile hisse senedi fiyat tahmin modeli: Türk Hava Yolları uygulaması

Literatürde hisse senetleri tahmini için farklı metodlar yer almaktadır. Bu metodların en önemlilerinden biri de yapay sinir ağları yöntemidir. Bu çalışmada Türk Hava Yoları hisse senedinin tahmini için yapay sinir ağları metodu kullanılmıştır. Ayrıca çalışmada yapay sinir ağları yöntemi ile zaman seri analizi yapılmıştır. Türk Hava Yolları hisse senedi değerlerini etkilemede önemli olan 5 bağımsız değişken kullanılmış olup, 01/04/2014-21/09/2021 tarihleri arasındaki günlük değerler çalışma kapsamına alınmıştır. Çalışmada 5 yapay sinir ağı modeli oluşturulmuştur. Bu modeller içinde en iyi performansı gösteren model çalışma kapsamına alınmıştır. Çalışma sonucunda Ortalama Mutlak Yüzde Hatanın (MAPE) hesaplanmasında eğitim seti için; 2,18 test seti için; 2,28 onaylama seti için; 2,46 değerleri elde edilmiştir. Korelasyon Katsayısının (CORR) hesaplanmasında ise eğitim, test ve onaylama setleri için 0,99 değerleri elde edilmiştir. Bu sonuçlar oluşturulan modelin tahminleme performansının güçlü olduğunu ve hisse senet tahminlerinde kullanabileceğini göstermiştir.

There are different methods for estimating stocks in the literature. One of the most important of these methods is the artificial neural network method. In this study, artificial neural network method was used for the prediction of Turkish Airlines stock. In addition, time series analysis was performed with the artificial neural network method. 5 independent variables, which are important in affecting Turkish Airlines stock values, were used, and daily values between 01/04/2014-21/09/2021 were included. 5 artificial neural network models were created. The model with the best performance among these models was included. As a result of the study, for the training set in calculating the Mean Absolute Percentage Error (MAPE); For 2.18 test sets; For 2.28 validation set; 2.46 values were obtained. In the calculation of the Correlation Coefficient (CORR), 0.99 values were obtained for the training, test and validation sets. These results showed that the estimation performance of the created model is strong and can be used in stock predictions.