Makroekonomik değişkenlerle BİST30 hisse senedi tahmini: derin öğrenme ve makine öğrenmesi yaklaşımlarının kullanımı

Bu çalışmada, makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak hisse senetlerinin tahmin performansları incelenmiştir. Çalışmanın bağımsız değişkenleri Dolar kuru, Brent Petrol, Ons Altın fiyatı ($), Türk Lirası Gecelik Referans Faiz Oranı ve Kapanış Fiyatlarına göre BİST100 Günlük İşlem Hacmi olarak belirlenmiştir. Bağımlı değişken olarak ise BİST30 endeksinde işlem gören ve 15.03.2026 tarihi itibariyle banka, sanayi, holding, ulaşım ve enerji/maden alanında işlem gören en yüksek hisse değerine sahip üçer hisse senedi seçilmiştir. 15.03.2021 – 15.03.2026 tarihleri arasındaki 1207 günlük kapanış verileri çalışmada kullanılmıştır. Araştırma üç basamaktan oluşmuştur. İlk basamak SPSS paket programı kullanılarak tanımlayıcı istatistikler, korelasyon analizi ve çoklu doğrusal regresyon analizini kapsamaktadır. İkinci basamakta makroekonomik değişkenlerin bağımsız değişken, hisse senetlerinin ise bağımlı değişken olduğu ve Destek Vektör Regresyonu, Karar Ağaçları ve Rastgele Orman Regresyonu analizinin yapıldığı makine öğrenmesi analizi aşamasıdır. Üçüncü basamakta makroekonomik değişkenler kullanılmamıştır. Sadece hisse senetlerinin kapanış değerleri kullanılarak derin öğrenme yöntemlerinden Tekrarlayan Sinir Ağları ve Uzun – Kısa Süreli Bellek kullanılarak zaman serisi analizi yapılmıştır. Makine öğrenmesi ve derin öğrenme yöntemleri kullanarak hazırlanan tahmin çalışmasının sonuçları incelendiğinde makine öğrenmesi yöntemlerinin derin öğrenme yöntemlerine göre daha başarılı sonuçlar verdiği görülmüştür.

In this study, the prediction performances of stocks were examined using machine learning and deep learning methods. The independent variables of the study were determined as the US Dollar exchange rate, Brent crude oil price, Gold Ounce price ($), Turkish Lira Overnight Reference Interest Rate (TLREF), and BİST100 daily trading volume. As the dependent variables, the three stocks with the highest share value as of March 15, 2026, operating in the banking, industry, holding, transportation, and energy/mining sectors within the BİST30 index, were selected. Closing data covering 1207 days between March 15, 2021, and March 15, 2026, were utilized in the study. The research consisted of three stages. The first stage encompasses descriptive statistics, correlation analysis, and multiple linear regression analysis conducted via the SPSS software package. The second stage is the machine learning analysis phase, where macroeconomic variables were treated as independent variables and stocks as dependent variables, utilizing Support Vector Regression (SVR), Decision Trees, and Random Forest Regression. In the third stage, macroeconomic variables were not included; a time series analysis was conducted using solely the closing prices of the stocks through Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM), which are deep learning methods. When the results of the prediction study prepared using machine learning and deep learning methods were analyzed, it was observed that machine learning methods yielded more successful results compared to deep learning methods.