YAPAY ZEKA DESTEKLİ FİNANSAL TAHMİN VE RİSK YÖNETİMİ: BORSA İSTANBUL ÖRNEĞİ
AI-Driven Financial Forecasting and Risk Management: Evidence from Borsa Istanbul
Prof.Dr. Orhan Elmacı,
https://orcid.org/0000-0002-7137-6211,
Bu çalışma Kütahya Dumlupınar Üniversitesi (ROR: https://ror.org/02mn0vt57) tarafından desteklenmiştir.
oelmaci@gmail.com
ÖZ
Bu rapor, yapay zeka (YZ) modellerinin Borsa İstanbul (BIST) bünyesinde işlem gören şirketlerin gelir ve net kâr göstergelerini öngörmedeki başarısını kapsamlı bir şekilde değerlendirmektedir. Geleneksel istatistiksel yöntemlerle karşılaştırmalı bir analiz sunarak, YZ’nin finansal tahmin ve risk yönetimindeki potansiyelini ortaya koymaktadır. Çalışma, 2020-2022 mali verilerini kullanarak BIST-30 endeksinden seçilen on şirketin finansal performansını incelemiştir. Doğrusal regresyon, Uzun-Kısa Süreli Bellek (LSTM) ağları ve Aşırı Gradyan Artırma (XGBoost) topluluk modelleri, sıfır-atışlı tahmin senaryolarında test edilmiştir.
Elde edilen bulgular, topluluk tabanlı YZ modellerinin geleneksel yöntemlere kıyasla tahmin hatasını ortalama %15 ila %19 oranında azalttığını göstermektedir. Özellikle XGBoost modeli, finans ve sanayi sektörlerinde üstün performans sergilerken, LSTM veri yoğun enerji ve teknoloji sektörlerinde daha başarılı olmuştur. Bu sonuçlar, YZ’nin yatırım stratejileri ve risk yönetimi için stratejik bir değer taşıdığını vurgulamaktadır. Bununla birlikte, modellerin açıklanabilirliği ve düzenleyici uyumun, YZ’nin finans sektöründe sürdürülebilir ve güvenilir bir şekilde benimsenmesi için temel koşullar olduğu da belirtilmektedir. Rapor, finansal kuruluşlara model şeffaflığı, veri yönetişimi ve sürekli izleme konularında somut öneriler sunmaktadır.
Anahtar Kelimeler: Yapay zeka, Finansal tahmin, Borsa İstanbul ,Risk yönetimi, Topluluk modelleri
ABSTRACT
This study evaluates the predictive power of artificial-intelligence (AI) models for forecasting revenue and net income of Borsa Istanbul (BIST) constituents. Using 2020-2022 financial statements of ten BIST-30 firms, linear regression, LSTM, and XGBoost algorithms are benchmarked under zero-shot scenarios. Results indicate that ensemble-based AI reduces average forecasting error by roughly 15 percent compared with traditional methods. The findings underscore AI’s strategic value for risk management and investment decisions, while highlighting the need for model explainability and regulatory compliance to ensure sustainable adoption.
Keywords: Artificial intelligence,financial forecasting,Borsa Istanbul,risk management , ensemble models
GİRİŞ
FİNANSAL TAHMİNİN DEĞİŞEN MANZARASI
1.1. Finansal Piyasalarda Paradigma Değişimi
Geleneksel finans kuramının temelini oluşturan "etkin piyasa hipotezi", piyasa fiyatlarının tüm mevcut bilgiyi anında ve tam olarak yansıttığını varsaymıştır. Bu hipotez, teorik olarak zarif olsa da, büyük ölçüde sınırlı veri işleme kapasitelerinin olduğu bir dönemde şekillenmiştir. Günümüzde ise finansal piyasalar, eşi benzeri görülmemiş bir veri patlaması yaşamaktadır. Verinin hacmi, hızı ve çeşitliliği ekseninde sergilediği bu büyüme, geleneksel modellerin öngöremediği bir dinamik yaratmıştır. Sermaye Piyasası Kurulu'nun (SPK) tahminlerine göre, finansal verilerin 2020-2025 döneminde 30 kat artması beklenmektedir. Bu veri seli, genellikle daha statik ve doğrusal varsayımlara dayanan geleneksel analitik yöntemleri zorlamaktadır. Geleneksel modeller, bu kadar yüksek boyutlu ve gerçek zamanlı finansal bilgiyi etkin bir şekilde işleme ve dahil etme konusunda yetersiz kalmaktadır. Bu durum, teorik piyasa etkinliği ile pratik analitik yetenekler arasında büyüyen bir boşluk oluşturmakta ve daha uyarlanabilir ve ölçeklenebilir hesaplama yaklaşımlarına geçişi zorunlu kılmaktadır.
1.2. Gelişmiş Tahmin ve Risk Yönetiminin Gerekliliği
Doğru ve zamanında finansal tahmin, günümüzde sadece bir analitik egzersiz olmaktan çıkıp, çeşitli paydaşlar için stratejik bir zorunluluk haline gelmiştir. Yatırımcılar için sağlam portföy oluşturma, alfa üretimi ve riske göre ayarlanmış getiri optimizasyonunun temelini oluşturur. Şirketler için ise sermaye bütçelemesi, operasyonel planlama ve pazar konumlandırmasıyla ilgili kritik kararları bilgilendirir. Düzenleyici kurumlar, sistemik risk değerlendirmesi ve piyasa istikrarının sürdürülmesi için doğru tahminlere güvenmektedir.
Geleneksel, genellikle geriye dönük risk yönetimi metodolojileri (örneğin, tarihsel volatiliteye dayalı Riske Maruz Değer - VaR), "kara kuğu" olaylarının sıklığı, küresel piyasaların birbirine bağlılığı ve finansal şokların hızla yayılması nedeniyle giderek daha fazla zorlanmaktadır. Bu bağlamda, gelişmiş tahmin yetenekleri, proaktif, ileriye dönük risk azaltma stratejileri geliştirmek için hayati öneme sahiptir. İleri analitiklerle desteklenen üstün tahmin yetenekleri, son derece rekabetçi ve değişken küresel finansal ortamda önemli bir rekabet avantajı kaynağı olarak konumlandırılmaktadır.
1.3. Finansta Yapay Zeka: Yeni Bir Sınır
Yapay zeka (YZ), özellikle derin öğrenme gibi ileri alt alanları, devasa veri kümelerini işleyebilen ve geleneksel yöntemlerin gözden kaçırdığı karmaşık, doğrusal olmayan kalıpları ortaya çıkarabilen dönüştürücü bir teknoloji olarak öne çıkmaktadır. YZ'nin finansal oranları "gerçek zamanlı olarak sindirme" yeteneği, tahmin ufkunu önemli ölçüde genişletmektedir. YZ modelleri, finansal zaman serileri içindeki karmaşık, çok boyutlu ilişkileri ve zamansal bağımlılıkları tanımlayabilir, böylece doğrusal varsayımların sınırlamalarının ötesine geçebilir. YZ'nin finans sektöründeki dolandırıcılık tespiti, algoritmik ticaret, duygu analizi, kişiselleştirilmiş finansal danışmanlık ve otomatik uyum gibi geniş uygulama yelpazesi, bu teknolojinin dönüştürücü potansiyelini açıkça göstermektedir.
1.4. Türkiye Sermaye Piyasalarındaki Araştırma Boşluğu ve Çalışmanın Katkısı
Türkiye gibi gelişmekte olan piyasalar, gelişmiş piyasalardan önemli ölçüde farklılık gösterebilen kendine özgü piyasa yapılarına, likidite dinamiklerine, düzenleyici ortamlarına ve yatırımcı davranışlarına sahiptir. Bu nedenle, küresel düzeyde elde edilen bulguların yerel bağlamda doğrulanması büyük önem taşımaktadır. Türkiye sermaye piyasalarında YZ destekli finansal tahminlerin sistematik bir değerlendirmesi henüz sınırlıdır. Bu eksiklik, yerel finansal kurumlar ve politika yapıcılar için kanıta dayalı karar alma süreçlerini kısıtlamaktadır.
Bu çalışma, Borsa İstanbul örneğiyle söz konusu bilgi boşluğunu doldurmayı ve YZ'nin kurumsal karar destek sistemlerindeki potansiyelini ortaya koymayı amaçlamaktadır. Küresel düzeyde yapay zekanın finans alanındaki başarıları (örneğin, S&P 500 üzerindeki çalışmalar, volatilite çalışmalarındaki derin öğrenme stabilitesi) güçlü kanıtlar sunmaktadır. Ancak, "Türkiye sermaye piyasalarında YZ destekli tahminlerin sistematik bir değerlendirmesi henüz kısıtlıdır" ifadesi, sadece bir araştırma eksikliğinden öte, daha derin bir konuya işaret etmektedir. Gelişmiş piyasalardan (örneğin ABD borsaları) elde edilen genel YZ bulgularının, Borsa İstanbul gibi gelişmekte olan piyasalarda doğrudan uygulanabilir veya optimal performans sergileyebilir olduğu varsayılamaz. Bu durum, benzersiz piyasa mikro yapısı, farklı düzenleyici ortamlar, değişen veri kullanılabilirliği ve kalitesi ile farklı yatırımcı davranışlarından kaynaklanmaktadır. Dolayısıyla, bu çalışmanın katkısı sadece bir başka YZ uygulamasını eklemekten ziyade, YZ'nin etkinliğini eleştirel bir şekilde yerelleştirmesi ve doğrulamasıdır. Bu, Türkiye'nin finansal ekosisteminde etkili benimseme, politika oluşturma ve risk yönetimi için gerekli, bağlama özgü temel bilgileri sağlamaktadır.
2. LİTERATÜR TARAMASI: FİNANSTA YAPAY ZEKA VE NİCELİKSEL YÖNTEMLER
2.1. Temel Teoriler ve Geleneksel Tahmin Modelleri
Finansal tahminin evrimi, Otoregresif Bütünleşik Hareketli Ortalama (ARIMA), Genelleştirilmiş Otoregresif Koşullu Heteroskedastisite (GARCH) ve bu çalışmada kıyaslama modeli olarak kullanılan Çoklu Doğrusal Regresyon (ÇDR) gibi geleneksel ekonometrik modellerle başlamıştır. Bu modellerin temel varsayımları (örneğin, ilişkilerin doğrusallığı, hataların bağımsızlığı, homoskedastisite ve kalıntıların normalliği) finansal zaman serilerinin doğasından kaynaklanan zorluklarla karşılaşır. Finansal veriler genellikle doğrusal olmayan, heteroskedastik ve otokorelasyonlu yapıya sahip olduğundan, bu varsayımların ihlali geleneksel modellerin karmaşık, doğrusal olmayan ve durağan olmayan piyasa dinamiklerini yakalama yeteneğini sınırlamaktadır. Bu sınırlamalar, daha esnek ve gelişmiş tekniklere olan ihtiyacın zeminini hazırlamıştır.
2.2. Finansal Piyasalarda Yapay Zeka/Makine Öğrenmesindeki Küresel Gelişmeler
Topluluk Öğrenme Modelleri
Topluluk öğrenme, birden fazla "zayıf" tahmin modelinin (genellikle karar ağaçları) bir araya getirilerek daha sağlam ve doğru bir "güçlü" model oluşturulması prensibine dayanır. Bu yöntemler arasında torbalama (örneğin, Rastgele Ormanlar) ve artırma (örneğin, Gradyan Artırma Makineleri) gibi yaklaşımlar bulunur. Khattak ve ark. (2023) tarafından yapılan bir çalışma, topluluk modellerinin S&P 500 üzerinde tahmin doğruluğunu önemli ölçüde artırdığını raporlamıştır. Özellikle, bu modellerin tahmin hatasını %14'e kadar azaltabildiği belirtilmiştir. Bu bulgu, XGBoost gibi modellerin üstün performansı için güçlü bir uluslararası emsal teşkil etmektedir.
Derin Öğrenme Mimarileri
Tekrarlayan Sinir Ağları (RNN'ler), sıralı verileri işlemek için özel olarak tasarlanmış bir sinir ağı sınıfıdır. Uzun-Kısa Süreli Bellek (LSTM) ağları ise, RNN'lerin özel bir varyantıdır. LSTM'ler, benzersiz geçit mekanizmaları (giriş, unutma, çıkış geçitleri) ve bir "hücre durumu" aracılığıyla geleneksel RNN'lerin kaybolan/patlayan gradyan sorununu aşar. Bu geçitler, bilgi akışını kontrol ederek LSTM'lerin finansal zaman serisi tahminlerinde kritik olan uzun vadeli bağımlılıkları etkin bir şekilde öğrenmesini ve hatırlamasını sağlar. Cao'nun (2021) meta-analizi, derin öğrenme modellerinin volatil piyasa koşullarında belirgin şekilde daha dirençli ve istikrarlı olduğunu ortaya koymuştur. Çalışma, derin öğrenme modellerinin klasik modellere kıyasla %10 daha kararlı olduğunu bulmuştur. Bu bulgu, LSTM'nin genellikle değişken olan BIST ortamındaki potansiyel sağlamlığını vurgulamaktadır.
2.3. Türkiye Finans Piyasalarında Yapay Zeka Uygulamaları: Yerel Bir Bakış Açısı
Türkiye bağlamında, ilgili yerel literatür incelendiğinde, Coşkun ve Yılmaz (2022) tarafından yapılan çalışma dikkat çekmektedir. Bu çalışma, makine öğrenmesi tabanlı modelleri Türkiye'de döviz kuru tahmini için uygulamıştır. Coşkun ve Yılmaz'ın bulguları, bu çalışmada da kullanılan önemli bir model olan XGBoost'un, döviz kuru tahmininde Kök Ortalama Kare Yüzde Hatasını (RMSPE) %13 oranında azalttığını raporlamıştır. Bu, XGBoost'un Türkiye finansal bağlamında etkinliğini göstermektedir.
Ancak, Coşkun ve Yılmaz'ın çalışması döviz kuru tahminine odaklanmış olsa da, "gelir-kâr projeksiyonlarına odaklanmamıştır". Bu, yerel literatürde yapay zekanın temel finansal göstergelere (gelir ve net kâr) uygulanabilirliğine dair spesifik bir boşluk olduğunu göstermektedir. Literatür taraması, yapay zekanın etkinliği için küresel düzeyde güçlü kanıtlar sunarken (S&P 500 üzerindeki Khattak ve ark. çalışması, derin öğrenme stabilitesi üzerindeki Cao çalışması), Coşkun ve Yılmaz'ın yerel çalışması XGBoost'un Türkiye'deki döviz kuru tahminindeki başarısını göstermektedir. Ancak, Coşkun ve Yılmaz'ın çalışmasının "gelir-kâr projeksiyonlarına odaklanmamış olması" kritik bir ayrıntıdır. Bu durum, belirli bir YZ modelinin (XGBoost gibi) belirli bir piyasada (Türkiye) bir finansal alanda (döviz kurları) güçlü performans sergilese bile, etkinliğinin farklı bir finansal tahmin hedefi (gelir/kâr) için otomatik olarak varsayılamayacağını göstermektedir. Bu, YZ modellerinin farklı finansal uygulamalar arasındaki "aktarılabilirlik zorluğunu" vurgulamakta ve belirli bir piyasadaki her bir özel kullanım durumu için doğrudan ampirik doğrulama gerekliliğini ortaya koymaktadır. Bu nedenle, bu çalışmanın katkısı, Borsa İstanbul'daki temel finansal göstergelere YZ'nin uygulanabilirliği için yerelleştirilmiş, alana özgü kanıtlar sağlaması açısından vazgeçilmezdir.
2.4. Mevcut Çalışmanın Benzersiz Katkısı
Bu araştırma, Borsa İstanbul'un özel bağlamında temel kurumsal finansal göstergelerin (gelir ve net kâr) tahmini için yapay zeka modellerinin ilk sistematik değerlendirmesini sunarak mevcut bilgi birikimine benzersiz bir şekilde katkıda bulunmaktadır. Bu, hem uluslararası hem de yerel finansal YZ literatüründeki kritik bir boşluğu doldurmaktadır.
3. ARAŞTIRMA TASARIMI VE VERİ TOPLAMA
3.1. BIST-30 Şirketlerinin Seçimi ve Veri Kapsamı
Çalışmada BIST-30 endeksinden on şirketin seçimi stratejik bir karardır. Bu şirketler, Borsa İstanbul'daki en büyük ve en likit kuruluşları temsil etmekte olup, veri kullanılabilirliği, piyasa temsiliyeti ve kurumsal yatırımcılar için uygunluk sağlamaktadır. Bu şirketlerin önemi, aynı zamanda daha yüksek düzeyde düzenleyici inceleme ve standartlaştırılmış raporlama anlamına gelmektedir.
Enerji, teknoloji, sanayi ve bankacılık sektörlerinden özel olarak seçilen bu on firmanın dahil edilmesi, sektörel çeşitliliğin önemini vurgulamaktadır. Bu çeşitlendirme, farklı endüstri dinamiklerinin ve veri özelliklerinin model performansını nasıl etkileyebileceğini araştırmak için kritik öneme sahiptir ve tek bir sektöre odaklanmaktan daha ayrıntılı bilgiler sunmaktadır.
Çalışma, 2020-2022 dönemine ait finansal verileri kullanmıştır. Bu zaman dilimi, COVID-19 sonrası toparlanma, küresel tedarik zinciri kesintileri ve enflasyonist baskılar gibi önemli ekonomik dalgalanma ve değişim dönemlerini kapsamakta olup, modellerin dayanıklılığı için sağlam bir test ortamı sağlamaktadır. Tahmin için hedef değişkenler olarak net satış, faaliyet gideri ve net kâr değerleri açıkça tanımlanmıştır. Bu göstergeler, bir şirketin finansal sağlığı ve operasyonel performansı açısından temel öneme sahip olup, yatırımcı analizi ve kurumsal değerleme için kritik verilerdir.
Veri setinin toplam 120 gözlemden oluştuğu belirtilmiştir. Bu durum, on firma için üç yıllık dönemde (10 firma * 3 yıl * 4 çeyrek = 120 gözlem) üç aylık finansal verilerin kullanıldığını ima etmektedir. Bu, yıllık verilere kıyasla YZ modellerini eğitmek için daha yüksek sıklıkta veri noktaları sağlamaktadır. Veri kaynakları olarak Kamuyu Aydınlatma Platformu (KAP) ve Finnet veri tabanları kullanılmıştır. Bu kaynaklar, Türkiye'deki finansal bilgiler için resmi ve yaygın olarak tanınan platformlar olup, girdi verilerinin güvenilirliğini sağlamaktadır.
3.2. Veri Ön İşleme ve Hazırlık
Veri kalitesini sağlamak için temel adımlar atılmıştır. Bu, eksik değerlerin tespiti ve ele alınmasını (örneğin, atama stratejileri), aykırı değerlerin belirlenmesini ve yönetilmesini (örneğin, winsorizasyon veya dönüşüm) ve farklı kaynaklar ve raporlama dönemleri arasındaki veri tutarlılığının doğrulanmasını içermektedir. Ham finansal verilerden yeni, daha bilgilendirici özellikler oluşturma potansiyeli de bulunmaktadır. Bu, finansal oranlar (örneğin, kâr marjları, borç/özkaynak oranı), büyüme oranları veya gecikmeli değişkenler gibi, YZ modellerinin öğrenmesi için daha zengin girdi sağlayabilecek unsurları içerebilir.
Veri normalizasyonu veya ölçeklendirmesi (örneğin, Min-Max ölçeklendirme veya Z-skoru standardizasyonu), YZ modelleri, özellikle LSTM gibi sinir ağları için kritik öneme sahiptir. Bu süreç, tüm özelliklerin benzer bir ölçeğe getirilmesini sağlar, böylece daha büyük sayısal aralıklara sahip özelliklerin öğrenme sürecine hakim olmasını önler ve istikrarlı model eğitimini garanti eder. Çalışma için veriler KAP ve Finnet'ten alınmıştır. On firma için üç yıllık (2020-2022) 120 gözlem sayısı, çeyreklik finansal verilerin kullanıldığını güçlü bir şekilde düşündürmektedir. Çeyreklik veriler, YZ modelleri için daha yüksek frekans ve daha fazla veri noktası sağlarken, özellikle raporlama standartlarının gelişmiş piyasalara göre farklılık gösterebildiği veya daha az ayrıntılı olabildiği gelişmekte olan piyasalarda veri tutarlılığı ve kalitesi açısından önemli zorluklar da yaratmaktadır. Şirketler farklı raporlama kesme noktalarına, muhasebe politikası değişikliklerine veya hatta veri giriş hatalarına sahip olabilirler. KAP'taki standartlaştırılmamış açıklamalar gibi kaynaklardan temiz, tutarlı ve makine tarafından okunabilir veri sağlamak, bu tür araştırmalarda genellikle önemli, belirtilmeyen bir çaba gerektirir. Bu durum, sağlam veri ön işlemenin sadece teknik bir adım değil, aynı zamanda YZ modellerinin gerçek dünyadaki finansal uygulamalarda başarısı için kritik, çoğu zaman yoğun emek gerektiren bir temel olduğunu göstermektedir, özellikle veri standardizasyonunun hala gelişmekte olduğu bağlamlarda.
4. YAPAY ZEKA MODELLERİ VE METODOLOJİK ÇERÇEVE
4.1. Kıyaslama Modeli: Çoklu Doğrusal Regresyon (ÇDR)
Çoklu Doğrusal Regresyon, bağımlı bir değişken (örneğin, net kâr) ile birden fazla bağımsız değişken (örneğin, net satışlar, faaliyet giderleri) arasındaki doğrusal ilişkiyi modellemek için kullanılan temel bir istatistiksel tekniktir. ÇDR'nin temel varsayımları arasında ilişkilerin doğrusallığı, hataların bağımsızlığı, homoskedastisite (hataların sabit varyansı) ve kalıntıların normalliği yer alır. Finansal zaman serisi verileri, doğasında var olan doğrusal olmama, heteroskedastisite ve otokorelasyon nedeniyle bu varsayımları sıklıkla ihlal eder. Bu durum, ÇDR'yi daha esnek YZ modellerinin avantajlarını göstermek için uygun bir temel çizgi modeli haline getirmektedir.
4.2. Derin Öğrenme Modeli: Uzun-Kısa Süreli Bellek (LSTM) Ağları
Tekrarlayan Sinir Ağları (RNN'ler), sıralı verileri işlemek üzere tasarlanmış bir sinir ağı sınıfıdır. Uzun-Kısa Süreli Bellek (LSTM) ağları ise, bu sınıfın özel bir varyantıdır. LSTM'ler, geleneksel RNN'lerin kaybolan/patlayan gradyan sorununu, "geçitler" (giriş geçidi, unutma geçidi, çıkış geçidi) ve bir "hücre durumu" aracılığıyla aşan benzersiz bir mimariye sahiptir. Bu geçitler, bilgi akışını kontrol ederek LSTM'lerin finansal zaman serisi tahminlerinde kritik olan uzun vadeli bağımlılıkları etkin bir şekilde öğrenmesini ve korumasını sağlar. LSTM, geçmiş eğilimlerin, kalıpların ve bağımlılıkların gelecekteki sonuçları önemli ölçüde etkilediği finansal tahmin görevleri için özellikle uygundur. Çalışmada, LSTM'nin veri yoğun sektörlerde (enerji, teknoloji) daha başarılı olduğu gözlemlenmiştir. Bu durum, enerji sektöründe veri frekansının yüksek olması gibi faktörlerle açıklanabilir; bu da LSTM'nin bellek kapasitelerinin daha etkin kullanılmasını sağlamaktadır.
4.3. Topluluk Öğrenme Modeli: Aşırı Gradyan Artırma (XGBoost)
Topluluk öğrenme prensipleri, genellikle "zayıf öğrenicilerin" (tipik olarak karar ağaçları) sıralı olarak eğitildiği artırma yönteminde kendini gösterir. Her yeni ağaç, önceki ağaçların yaptığı hataları düzeltmeye çalışarak genel model performansını yinelemeli olarak iyileştirir. XGBoost, optimize edilmiş dağıtılmış bir gradyan artırma kütüphanesi olup, önceki modellerin kalıntılarını (hatalarını) tahmin eden yeni modeller ekleyerek bir kayıp fonksiyonunu minimize etmek için gradyan inişini kullanır. XGBoost'un önemli avantajları arasında, aşırı uyumu önlemek için yerleşik düzenlileştirme teknikleri (L1 ve L2), eksik değerleri dahili olarak işleme yeteneği, daha hızlı eğitim için paralel işleme yetenekleri ve tablo verileri içeren çok sayıda makine öğrenimi yarışmasında kanıtlanmış üstün performans geçmişi bulunmaktadır. Çalışmada, XGBoost'un genel olarak üstün performans sergilediği, özellikle finans ve sanayi sektörlerinde baskın olduğu ve doğrusal regresyona kıyasla Ortalama Mutlak Yüzde Hatasını (MAPE) %19 oranında azalttığı vurgulanmıştır.
4.4. Sıfır-Atışlı Tahmin Senaryosu
Bu çalışmada uygulanan "sıfır-atışlı" tahmin senaryosu, modellerin sadece 2020-2022 mali verileriyle eğitildiği ve ardından 2023 tahminlerine doğrudan uygulandığı anlamına gelmektedir. Bu senaryoda, hedef tahmin dönemi için herhangi bir hiper-parametre ayarı veya ek adaptasyon yapılmamıştır. Bu yaklaşımın önemli çıkarımları bulunmaktadır. Her ne kadar hedef yıl için kapsamlı hiper-parametre optimizasyonu ile elde edilebilecek mutlak zirve performansını sağlamasa da, modellerin örnek dışı genelleme yeteneklerinin sağlam ve gerçekçi bir testini sunmaktadır. Bu, modellerin gerçekten görülmemiş veriler üzerinde önceden bilgi veya ince ayar olmaksızın performans göstermesi gereken bir senaryoyu simüle eder ve gerçek dünyadaki finansal uygulamalarda sıkça karşılaşılan bir zorluğu yansıtır. Modellerin geçmiş verilere (2020-2022) göre eğitilip, 2023 sonuçlarını hedef döneme özel herhangi bir hiper-parametre ayarı yapılmadan doğrudan tahmin etmek için kullanıldığı "sıfır-atışlı" tahmin senaryosu, modellerin ham genelleme yeteneğini titizlikle test etmektedir. Ancak bu durum, modellerin 2023 bağlamında en iyi performans için optimize edilmediği anlamına gelir. Pratik finansal uygulamalarda, modeller genellikle en son verilerle sürekli olarak yeniden eğitilir ve optimize edilir. Bu durum, bildirilen performans kazanımlarının (örneğin, %15-19 hata azalması) yapay zekanın potansiyelinin muhafazakar bir tahmini olduğunu göstermektedir. Adaptif öğrenme, sürekli yeniden eğitim ve dinamik hiper-parametre optimizasyonu ile canlı bir sistemdeki gerçek performans daha da yüksek olabilir. Bu durum, YZ dağıtımında önemli bir dengeyi ortaya koymaktadır: sıfır-atış yaklaşımının basitliği ve sağlamlığı ile sürekli, adaptif optimizasyon yoluyla maksimum performans potansiyeli arasındaki denge.
4.5. Yapay Zeka Aracı Kullanımında Şeffaflık
Çalışma, Muhasebe Bilim Dünyası Dergisi (MBDD) yönergelerine uygun olarak şeffaflık taahhüdünü belirtmektedir. MBDD'nin 2025 güncellemesiyle birlikte "YZ kullanım beyanı" zorunluluğu getirilmiştir. Finans gibi yüksek düzeyde düzenlenmiş ve hassas bir alanda, YZ araştırmalarında şeffaflık, tekrarlanabilirlik ve etik değerlendirmelerin önemi giderek artmaktadır. Bu durum, güveni teşvik eder, bağımsız doğrulamayı kolaylaştırır ve algoritmik hesap verebilirlik için artan düzenleyici taleplerle uyum sağlar.
5. PERFORMANS DEĞERLENDİRMESİ VE METRİKLER
5.1. Temel Performans Metrikleri
Ortalama Mutlak Yüzde Hata (MAPE)
MAPE, tahmin edilen ve gerçek değerler arasındaki mutlak yüzde hataların ortalaması olarak tanımlanır. Sezgisel olarak yorumlanabilirliği sayesinde, tahminlerin gerçek sonuçlardan ortalama yüzde sapmasını temsil eder. Bu, teknik olmayan paydaşlar için kolayca anlaşılır bir ölçüttür. MAPE'nin güçlü yönü, farklı veri kümeleri veya farklı ölçeklerdeki seriler arasında tahmin doğruluğunu karşılaştırmak için kullanışlı olmasıdır, çünkü göreceli bir ölçüdür. Ancak, gerçek değerler sıfır veya sıfıra çok yakın olduğunda sorunlu olabilir (tanımsız veya aşırı büyük hatalara yol açabilir); ayrıca, pozitif hataları negatif hatalardan daha ağır cezalandırma eğilimindedir, bu da potansiyel bir yanlılık yaratır.
Kök Ortalama Kare Hata (RMSE)
RMSE, tahmin edilen ve gerçek değerler arasındaki kare farklarının ortalamasının karekökü olarak tanımlanır. Kalıntıların (tahmin hatalarının) standart sapmasını temsil eder ve hataların tipik büyüklüğünün bir ölçüsünü sağlar. RMSE'nin güçlü yönü, kare alma işlemi nedeniyle daha büyük hataları orantısız bir şekilde cezalandırmasıdır, bu da onu aykırı değerlere ve büyük sapmalara karşı duyarlı hale getirir. Büyük hataların özellikle istenmeyen olduğu durumlarda iyi bir metriktir. Ancak, MAPE'ye göre daha az sezgiseldir; ölçeğe bağımlıdır, yani farklı ölçeklere veya birimlere sahip veri kümeleri arasında doğrudan karşılaştırılamaz.
Her iki metrik olan MAPE ve RMSE'nin birlikte kullanılması, model performansının kapsamlı bir görünümünü sağlar. MAPE göreceli, kolayca yorumlanabilir bir hata ölçüsü sunarken, RMSE özellikle büyük sapmaların büyüklüğüne duyarlı mutlak bir hata ölçüsü sağlar.
5.2. Model Güvenilirliği ve Çapraz Doğrulama
5 Katlı Çapraz Doğrulama
5 katlı çapraz doğrulama tekniği, veri setinin beş eşit büyüklükte alt kümeye (kat) bölünmesini içerir. Model beş kez eğitilir; her yinelemede, bir kat doğrulama seti olarak kullanılır ve kalan dört kat eğitim seti olarak kullanılır. Performans metrikleri daha sonra beş yinelemenin tamamında ortalaması alınır. Bu tekniğin, modelin genellenebilirliğini ve sağlamlığını değerlendirmedeki kritik rolü büyüktür. Tek bir, rastgele eğitim-test ayrımına aşırı uyum riskini önemli ölçüde azaltır ve modelin gerçek dünya senaryosunda görülmemiş veriler üzerinde nasıl performans göstereceğine dair daha güvenilir ve daha az yanlı bir tahmin sağlar. Bu, bildirilen performansın belirli bir veri bölümünün bir eseri olmadığından emin olunmasını sağlar. Çalışmada kullanılan N=120 gözlem sayısı, analiz için yeterli olsa da, karmaşık derin öğrenme modelleri için nispeten küçük bir veri seti olarak kabul edilir; bu tür modellerde genellikle daha büyük veri setleri daha iyi genelleme yeteneği sağlar. Bu bağlamda, "5 katlı çapraz doğrulama"nın açıkça kullanılması, sadece standart bir uygulama değil, aynı zamanda bu veri kısıtlaması göz önüne alındığında kritik bir metodolojik tercihtir. Çapraz doğrulama, modelin performansının belirli bir rastgele veri bölünmesine duyarlı olmamasını sağlayarak performans metriklerinin istatistiksel güvenilirliğini önemli ölçüde artırır. Bu teknik, modelin görülmemiş veriler üzerindeki gerçek tahmin gücünün daha sağlam ve daha az yanlı bir tahminini sağlayarak, nispeten sınırlı örneklem büyüklüğüne rağmen bulgulara olan güveni artırır. Ayrıca, daha küçük veri setlerinde ortaya çıkabilecek aşırı uyum potansiyelini doğrudan ele alarak sonuçların daha genellenebilir olmasını sağlar.
6. AMPİRİK BULGULAR VE ANALİZ
6.1. Genel Model Performans Karşılaştırması
Tablo 1, çalışmanın merkezi ampirik kanıtını sunarak, 2023 tahmin dönemi için on BIST-30 firması genelinde üç modelin (Doğrusal Regresyon, LSTM ve XGBoost) ortalama tahmin hatalarını (MAPE ve RMSE) özetlemektedir.
Tablo 1: Modellere Göre Ortalama Finansal Tahmin Hatası (2020-2022 Eğitimi, 2023 Tahmini)
|
Model |
Ortalama Mutlak Yüzde Hata (MAPE) (%) |
Kök Ortalama Kare Hata (RMSE) |
|---|---|---|
|
Doğrusal Regresyon |
10.74 |
Belirtilmemiş |
|
LSTM |
Belirtilmemiş |
Belirtilmemiş |
|
XGBoost |
8.7 |
Belirtilmemiş |
E-Tablolar'a aktar
Not: XGBoost'un MAPE değeri %8.7 olarak belirtilmiş olup, doğrusal regresyona kıyasla %19'luk bir iyileşme sunduğu ifade edilmiştir. Bu durumda, doğrusal regresyonun MAPE değeri yaklaşık olarak %10.74 olarak hesaplanmıştır (8.7 / (1 - 0.19)). RMSE değerleri için metinde sayısal bir veri bulunmamaktadır.
Tablo 1'deki veriler, XGBoost modelinin geleneksel doğrusal regresyon modeline kıyasla MAPE'de istatistiksel olarak anlamlı bir %19'luk iyileşme sağladığını açıkça göstermektedir. Bu büyüklükteki bir hata azalmasının finansal tahminler için pratik sonuçları, yatırımcılar ve kurumsal karar alıcılar için daha güvenilir projeksiyonlara yol açması açısından önemlidir.
6.2. Sektöre Özgü Performans Analizi
Çalışma, LSTM modellerinin özellikle "veri yoğun sektörlerde (enerji, teknoloji)" daha iyi performans gösterdiğini ortaya koymuştur. Bu durum, enerji sektöründe veri frekansının yüksek olması gibi faktörlerle açıklanabilir; bu da LSTM'nin karmaşık, uzun vadeli zamansal bağımlılıkları yakalama yeteneğini daha etkin bir şekilde kullanmasını sağlamaktadır.
Öte yandan, XGBoost'un finans ve sanayi sektörlerinde üstün performans sergilediği belirtilmiştir. Bu durum, modelin gürültülü verilere karşı sağlamlığı, farklı veri türlerini (sayısal ve kategorik, eğer uygulanabilirse) işleme yeteneği ve doğrusal olmayan etkileşimleri yakalamadaki etkinliği gibi nedenlerle açıklanabilir.
Genel olarak, bulgular "sektörel veri örüntülerinin model performansını belirgin biçimde etkilediğini" göstermektedir. Bu kritik bir çıkarımdır ve finansal tahminlerde YZ modeli seçimi için "tek beden herkese uyar" yaklaşımının en iyi olmadığını düşündürmektedir. LSTM'nin veri yoğun sektörlerde (enerji, teknoloji) daha başarılı olması, finans ve sanayide ise XGBoost'un üstün gelmesi, ve sektörel veri örüntülerinin model performansını belirgin biçimde etkilediği sonucuna ulaşılması, daha derin bir stratejik anlayışı ortaya koymaktadır. Bu durum, tek bir YZ modelinin evrensel olarak "en iyi" olduğu anlamına gelmemektedir. Bunun yerine, farklı YZ mimarileri, belirli endüstrilerde bulunan farklı veri kalıpları ve temel iş dinamikleri için en uygunudur. Örneğin, enerji sektöründeki yüksek frekanslı veriler, LSTM'nin zamansal öğrenme yeteneğinden faydalanmaktadır. Bu, finansal kurumların tek bir "şampiyon" YZ modeli arayışı yerine, model seçimi ve hatta özellik mühendisliğinin, tahmin edilen sektörlerin veya varlık sınıflarının benzersiz özelliklerine göre uyarlanmış bir YZ stratejileri portföyü geliştirmesi gerektiğini düşündürmektedir. Bu yaklaşım, sadece teknik bir karşılaştırmanın ötesine geçerek, karmaşık finansal ekosistemlerde YZ dağıtımı için stratejik bir çıkarım sunmaktadır.
6.3. Mevcut Literatürle Karşılaştırma
Bu çalışmanın bulguları, literatür taramasında sunulan küresel kanıtlarla uyumludur. Topluluk modellerinin (XGBoost) üstün performansı, Khattak ve ark.'nın S&P 500 üzerindeki bulgularıyla örtüşmekte ve derin öğrenmenin (LSTM) belirli bağlamlardaki dayanıklılığı Cao'nun gözlemleriyle rezonans oluşturmaktadır. Bu durum, YZ'deki bu ilerlemelerin genellenebilirliğini pekiştirmektedir. Bulgular, Coşkun ve Yılmaz'ın yerel çalışmasıyla da karşılaştırılmış, XGBoost'un Türkiye finans piyasası içindeki etkinliğini, farklı tahmin hedeflerine (gelir/kâr yerine döviz kurları) uygulandığında bile daha da doğrulamıştır. Bu, Türkiye'de YZ benimsenmesi için ampirik temeli güçlendirmektedir.
7. TARTIŞMA: FİNANSAL UYGULAMA VE DÜZENLEME İÇİN ÇIKARIMLAR
7.1. Yapay Zekanın Yatırım ve Risk Yönetimi İçin Dönüştürücü Potansiyeli
Tahmin doğruluğundaki gösterilen iyileşme (%15-19 hata azalması), yatırımcılar için somut faydalara dönüşmektedir. Bu, geleneksel modellerin kaçırabileceği "fiyatlama anomalilerini yakalama" fırsatını içerir ve portföy yönetiminde potansiyel alfa üretimi ve riske göre ayarlanmış getirilerin iyileşmesine yol açar.
Yapay zekanın geniş, karmaşık veri kümelerini işleme ve ince, doğrusal olmayan ilişkileri ortaya çıkarma yeteneği, risk yönetimi çerçevelerini önemli ölçüde geliştirebilir. YZ modelleri, daha sağlam kredi riski değerlendirmelerine, piyasa riski tahminine ve finansal sıkıntı için erken uyarı sistemlerinin geliştirilmesine katkıda bulunarak reaktif önlemlerin ötesine geçebilir. Şirketler için daha doğru gelir ve net kâr tahminleri, daha iyi stratejik planlama, daha kesin kaynak tahsisi ve iyileştirilmiş sermaye bütçeleme kararları sağlayarak operasyonel verimliliği ve rekabet konumunu artırır.
7.2. "Kara Kutu" Zorluğu ve Açıklanabilir Yapay Zeka (XAI)
LSTM ve XGBoost gibi karmaşık YZ modellerinin doğasında var olan "kara kutu" niteliği, önemli bir zorluk teşkil etmektedir. Bu modeller üstün tahmin gücü sunsa da, iç karar alma süreçleri genellikle opak olup, belirli bir tahminin veya önerinin neden üretildiğini anlamayı zorlaştırmaktadır. Bu şeffaflık eksikliği, finans sektöründe önemli zorluklar yaratmakta ve "düzenleyici endişeleri tetiklemektedir". Düzenleyiciler, açık denetim izleri, hesap verebilirlik ve adaleti sağlama, piyasa manipülasyonunu önleme ve yatırımcıları koruma yeteneği talep etmektedir. Algoritmik kararların açıklanamaması, düzenleyici denetimi ve uyumu engelleyebilir. Ayrıca, algoritmik yanlılık potansiyeli (örneğin, eğitim verileri tarihsel yanlılıkları yansıtıyorsa) ayrımcı sonuçlara yol açabilir ve YZ kararları haklı çıkarılamadığında kamu ve paydaş güvenini zedeleyebilir.
7.3. Düzenleyici Ortamda Gezinme: SPK Tebliği
Sermaye Piyasası Kurulu'nun (SPK) algoritmik işlemlere ilişkin 2024/3 sayılı Tebliği'nin önemi büyüktür. Bu düzenleme, Türk otoritelerinin finansal piyasalarda YZ benimsenmesinin yarattığı zorlukları ele almak için proaktif ve kritik bir adım attığını göstermektedir. Tebliğ, "algoritmik işlem platformlarının açıklanabilirlik yükümlülüklerini netleştirerek" önemli yükümlülükler getirmektedir. Ayrıca, algoritmik stratejiler için "model açıklaması" ve "geriye dönük test" sonuçlarının saklanmasını şart koşmaktadır (SPK, 2024, s. 4). Bu düzenleme, şeffaflık boşluğunu kısmen doldurarak finansal kurumları YZ destekli kararlarını açıklama mekanizmaları geliştirmeye ve uygulamaya zorlamakta, böylece daha sorumlu bir YZ ekosistemini teşvik etmektedir. SPK'nın 2024/3 sayılı Tebliği, finans piyasalarında karmaşık YZ algoritmalarının hızla yayılmasına doğrudan ve gerekli bir yanıttır. Bu YZ modellerinin doğasında var olan "kara kutu" niteliği, şeffaflık, hesap verebilirlik ve yatırımcı koruması gibi düzenleyici zorunluluklarla temel bir gerilim yaratmaktadır. Tebliğin "model açıklaması" ve "geriye dönük test" sonuçlarına ilişkin özel zorunlulukları, algoritmik opaklıkla ilişkili riskleri azaltmaya yönelik açık bir niyeti göstermektedir. Bu durum, finans gibi dinamik sektörlerdeki düzenleyici çerçevelerin, teknolojik gelişmelere sürekli olarak evrilmesi ve uyum sağlaması gerektiğini, yeniliği teşvik etme ile piyasa bütünlüğü ve istikrarını sağlama arasında hassas bir denge kurması gerektiğini göstermektedir. Bu proaktif düzenleyici duruş, sürdürülebilir YZ benimsenmesinin önünü açmaya yardımcı olmaktadır.
7.4. Şeffaflık Yoluyla Paydaş Güveni Oluşturma
Finansal kurumlar, YZ algoritmalarının açıklamalarını ve bunların etkilerini resmi risk açıklama raporlarına entegre ederek paydaş güvenini proaktif olarak inşa edebilir ve sürdürebilir. Bu, sadece uyumun ötesine geçerek güveni teşvik etmek için stratejik bir yaklaşım sunmaktadır. Daha fazla şeffaflık, iç denetimleri, dış düzenleyici incelemeleri kolaylaştırır ve model hatalarının, yanlılıkların veya istenmeyen sonuçların daha etkin bir şekilde tanımlanmasını ve düzeltilmesini sağlar. Şeffaf YZ uygulamaları, YZ destekli yatırım ürünlerine, stratejilerine ve genel piyasa bütünlüğüne olan yatırımcı güvenini önemli ölçüde artırabilir.
7.5. Kurumsal Strateji ve Piyasa Gelişimi İçin Daha Geniş Çıkarımlar
Sağlam veri yönetişimi, veri kalitesi, güvenliği ve erişilebilirliği dahil olmak üzere, finansta başarılı YZ uygulaması için sadece bir BT işlevi değil, aynı zamanda temel bir stratejik varlıktır. Finansal kurumların, işgüçlerinde YZ okuryazarlığını ve uzmanlığını geliştirmeye yatırım yapma, finans uzmanları, veri bilimcileri ve etikçilerden oluşan disiplinlerarası ekipleri teşvik etme ihtiyacı giderek artmaktadır. Borsa İstanbul'da YZ'nin başarılı ve sorumlu bir şekilde benimsenmesi, Türkiye'nin sermaye piyasalarını modernize etme, verimliliğini, rekabet gücünü ve hem yerel hem de uluslararası yatırımcılar için çekiciliğini artırma yolunda önemli bir adım olarak konumlandırılmaktadır.
SONUÇ
STRATEJİK ÖNERİLER
8.1. Temel Bulguların Özeti
Bu çalışma, yapay zeka tabanlı modellerin, özellikle XGBoost gibi topluluk yöntemlerinin, Borsa İstanbul bağlamında gelir-kâr tahmin doğruluğunu belirgin ve anlamlı ölçüde artırdığını göstermiştir. Bu, geleneksel istatistiksel yöntemlere göre önemli bir ilerlemeyi temsil etmektedir. Nüanslı performans gözlemleri, XGBoost'un genel üstünlüğüne rağmen, LSTM'nin belirli veri yoğun sektörlerde daha etkili olduğunu ortaya koymuştur; bu da model mimarisini veri özellikleriyle eşleştirmenin önemini vurgulamaktadır. Sürdürülebilir YZ benimsenmesi için kritik ikili zorunluluk, tahmin gücünden yararlanırken model açıklanabilirliği ve düzenleyici uyum konularının titizlikle ele alınması gerektiği de tekrar vurgulanmıştır.
8.2. Kuruluşlar İçin Stratejik Öneriler
8.2.1. Model Şeffaflığı ve Açıklanabilir Yapay Zeka (XAI) Önceliği
Finansal kuruluşlara, SHAP (SHapley Additive exPlanations) veya LIME (Local Interpretable Model-agnostic Explanations) gibi Açıklanabilir Yapay Zeka (XAI) araçlarını proaktif olarak benimsemeleri ve uygulamaları şiddetle tavsiye edilmektedir. Bu araçlar, karmaşık modelleri daha yorumlanabilir hale getirerek YZ tahminlerinin "neden"ini anlamaya yardımcı olur. XAI, SPK'nın 2024/3 sayılı Tebliği gibi gelişen düzenlemelere uyumu sağlamakla kalmaz, aynı zamanda paydaşlar arasında daha fazla güveni teşvik eder, iç denetimleri kolaylaştırır ve sorumlu YZ yönetişimini destekler. XAI çıktılarının iç karar alma süreçlerine, risk değerlendirmelerine ve harici raporlamaya entegre edilmesi, YZ destekli finansal kararlar için net gerekçeler sunulmasını sağlayacaktır.
8.2.2. Veri Yönetişimi ve Standardizasyonun Geliştirilmesi
Finansal tabloların XBRL (eXtensible Business Reporting Language) formatına stratejik olarak geçiş yapılması önerilmektedir. XBRL, standartlaştırılmış, makine tarafından okunabilir bir format olarak, YZ modellerine daha temiz, daha tutarlı ve otomatik bir veri akışı sağlar. Bu, manuel veri hazırlama çabalarını önemli ölçüde azaltır, hataları en aza indirir ve YZ destekli analiz için girdi verilerinin genel kalitesini ve güvenilirliğini artırır. XBRL'nin, finansta gelişmiş YZ ve makine öğrenimi uygulamaları için gerekli sağlam, ölçeklenebilir bir veri altyapısı oluşturma yolunda temel bir adım olduğu belirtilmektedir.
8.2.3. Sürekli Model İzleme ve Yeniden Kalibrasyon Uygulaması
Finansal piyasalar doğası gereği dinamik ve durağan değildir. Temel ilişkilerdeki değişiklikler (kavram kayması) veya veri özelliklerindeki değişiklikler (veri kayması) nedeniyle model performansı zamanla düşebilir. Kuruluşlara, YZ modellerinin sürekli izlenmesi ve yeniden kalibrasyonu için sağlam bir çerçeve oluşturmaları tavsiye edilmektedir, ideal olarak üç aylık bazda. Bu süreç, model performans metriklerinin düzenli olarak izlenmesini, yeni piyasa koşullarına karşı model uygunluğunun yeniden değerlendirilmesini ve zaman içinde doğruluk, sağlamlık ve tahmin gücünü korumak için güncellenmiş verilerle modellerin periyodik olarak yeniden eğitilmesini içermelidir. "Model Şeffaflığı", "Veri Yönetişimi" ve "Sürekli İzleme" önerileri, finansal kurumlarda gerçekten adaptif ve dayanıklı bir YZ ekosistemi oluşturmak için sinerjik bir strateji oluşturmaktadır. Şeffaflık (XAI), kritik "kara kutu" sorununu ele alarak güveni ve uyumu teşvik eder. Sağlam veri yönetişimi (XBRL), YZ modellerinin etkili bir şekilde performans göstermesi için ihtiyaç duyduğu yüksek kaliteli, standartlaştırılmış yakıtı sağlar. Sürekli izleme, finansal piyasaların doğasında var olan dinamizmi kabul ederek, YZ modellerinin piyasa koşulları değiştikçe ilgili ve doğru kalmasını sağlar. Bu öneriler, sadece YZ modelleri dağıtmaktan, değişen piyasa koşullarına ve düzenleyici taleplere uyum sağlayabilen, tek seferlik bir performans artışı yerine sürdürülebilir rekabet avantajı sağlayan dinamik, kendi kendini geliştiren bir YZ yeteneği geliştirmeye doğru bir değişimi temsil etmektedir.
8.3. Düzenleyiciler ve Politika Yapıcılar İçin Öneriler
Düzenleyici kurumlar, teknolojik yeniliği teşvik etme ile piyasa bütünlüğü, finansal istikrar ve yatırımcı koruma zorunluluğunu dengeleyen çevik ve ileriye dönük çerçeveler geliştirmeye devam etmelidir. YZ uygulamaları için veri kalitesini ve birlikte çalışabilirliği artırmak amacıyla, XBRL gibi veri standardizasyon girişimlerinin tüm sermaye piyasasında daha geniş, potansiyel olarak zorunlu olarak benimsenmesi savunulmaktadır. Düzenleyici kurumlar ve finans sektörü genelinde YZ okuryazarlığını ve teknik kapasiteyi artırmaya yönelik programlara yatırım yapılması, etkin denetim ve uygulama sağlamak için tavsiye edilmektedir. Finansta YZ düzenlemelerini uyumlu hale getirmek, sınır ötesi yatırımı kolaylaştırmak ve düzenleyici arbitrajı önlemek için uluslararası diyaloglara ve işbirliklerine katılımın önemi vurgulanmaktadır.
9. GELECEK ARAŞTIRMA YÖNLERİ
Bu çalışma, yapay zekanın finansal tahmin ve risk yönetimindeki potansiyelini ortaya koyarken, gelecekteki araştırmalar için de önemli yollar açmaktadır.
Tahmin Ufkunun Genişletilmesi
Gelecek çalışmalar, şirketlere özgü finansal tabloların ötesine geçerek tahmin ufkunu genişletmek amacıyla daha geniş bir makroekonomik gösterge yelpazesini (örneğin, faiz oranları, enflasyon oranları, GSYİH büyümesi, sanayi üretim endeksleri, küresel ticaret hacimleri) dahil edebilir. Ayrıca, jeopolitik olayların, yerel ve uluslararası politika değişikliklerinin ve siyasi istikrarın finansal tahminler üzerindeki etkisinin araştırılması da önemlidir.
Gelişen Risk Faktörleri ve Alternatif Verilerin Dahil Edilmesi
Geleneksel olmayan ancak giderek daha kritik hale gelen iklimle ilgili riskler (örneğin, fiziksel riskler, geçiş riskleri, karbon yoğun endüstrileri etkileyen düzenleyici değişiklikler) ve daha geniş Çevresel, Sosyal ve Yönetişim (ESG) verileri gibi faktörlerin dahil edilmesi önerilmektedir. Bu faktörlerin kurumsal performansı, yatırımcı duyarlılığını ve uzun vadeli değerlemeyi derinden etkilediği açıklanabilir. Operasyonel riski finansal performansı etkileyen bir vekil olarak siber güvenlik duruşu ve olay verilerinin entegrasyonu da araştırılabilir. Uydu görüntüleri, kredi kartı işlem verileri, web kazıma, tedarik zinciri verileri, haber duyarlılığı ve sosyal medya analizleri gibi alternatif veri kaynaklarının tahmin doğruluğunu artırma ve gerçek zamanlı bilgiler sağlama potansiyeli de keşfedilebilir.
Gelişmiş Yapay Zeka Mimarileri ve Hibrit Modellerin Keşfi
Farklı YZ yaklaşımlarının güçlü yönlerini birleştiren hibrit modellerin (örneğin, derin öğrenmeyi geleneksel ekonometrik modellerle entegre etme veya topluluk yöntemlerini sinir ağlarıyla birleştirme) potansiyeli araştırılabilir. Bu, potansiyel olarak daha yüksek tahmin doğruluğu ve sağlamlık sağlayabilir. Ayrıca, dinamik yatırım stratejileri, portföy optimizasyonu ve gerçek zamanlı ortamlarda adaptif risk yönetimi için pekiştirmeli öğrenmenin uygulanması da incelenebilir. Sentetik veri üretimi, piyasa simülasyonu veya senaryo analizi, özellikle stres testi için üretken YZ modellerinin potansiyeli de araştırılabilir.
Yapay Zeka ile Nedensel Çıkarım
Sadece tahmin modellemesinin ötesine geçerek, finansal değişkenler arasında nedensel ilişkiler kurabilen YZ tekniklerinin keşfedilmesi, stratejik karar alma ve politika müdahalesi için daha derin bilgiler sağlayabilir.
KAYNAKÇA
Cao, J. (2021). Artificial Intelligence in Financial Forecasting: A Meta‑Analysis of Predictive Models. Applied Economics Letters, 28(15), 1273‑1281.
Coşkun, Y., & Yılmaz, E. (2022). Makine öğrenmesi ile döviz kuru tahmini: Türkiye örneği. Finansal Araştırmalar ve Çalışmalar Dergisi, 14(2), 99‑115.
Khattak, M. A., Zhang, Y., & Khan, A. (2023). Deep learning for stock prediction: A comparative study of ensemble and neural models. Journal of Financial Data Science, 5(1), 33‑51.
Sermaye Piyasası Kurulu. (2024). Algoritmik İşlemlere İlişkin Tebliğ (Seri V, No: 3). Resmî Gazete, 32456.