Integrating Technical Indicators, Financial Ratios, and Machine Learning: Evidence from Turkish Holding and Investment Companies

Abstract

Bu çalışmada, BIST 100 endeksi içerisinde yer alan Finansal Kuruluşlar/Holdingler ve Yatırım Şirketleri sektörüne ait hisse senetlerinin 1993-2023 dönemini kapsayan kapanış fiyatlarına ilişkin tahmin modelleri geliştirilmiştir. Temel metrikler, teknik göstergeler ve finansal oranlar dahil olmak üzere 35 değişkenden oluşan bir veri kümesi kullanılarak, çalışmada Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (SVM) ve Parçacık Sürüsü Optimizasyonu (PSO) destekli hibrit modeller gibi ileri makine öğrenmesi teknikleri uygulanmıştır. Model performansı R², Ortalama Karesel Hata (MSE) ve Ortalama Mutlak Yüzde Hata (MAPE) kullanılarak değerlendirilmiştir. PSO-SVM hibrit modeli en güçlü sonuçları vermiş olup, R² değerleri 0,97'yi aşmış ve MAPE değeri %3,21 kadar düşük olmuştur. SVM modeli ise 0,9989 R² ve %1,19 MAPE değerlerine ulaşarak üstün doğruluk göstermiştir. Buna karşılık, YSA modeli, R² değerinin yaklaşık 0,91 ve MAPE değerlerinin %7,82 ile %13,87 arasında değişmesiyle orta düzeyde sonuçlar vermiştir. Bu bulgular, temel ve teknik göstergelerin gelişmiş makine öğrenimiyle entegre edilmesinin etkinliğini vurgularken, aynı zamanda holding ve yatırım şirketlerinin finansal ve operasyonel dinamiklerine dair sektöre özgü içgörüler de sunmaktadır.

This article was produced solely from this doctoral dissertation.