Abstract:

Yapay zekâ uygulamaları her alanda olduğu gibi finans alanında da oldukça fazla kullanılmaktadır. Finans alanında zaman serilerinin analizi için en fazla uygulanan yapay zekâ metodu ise yapay sinir ağlarıdır. Yapay zekâ yöntemlerinin insan beynine benzer bir çıkarım yapmaları veya öğrenmeye dayalı sistemler olmaları, analizlere sağladıkları katkılardan en önemlileridir. Tabi ki bu yöntemlerin gelişme sürecinin teknolojinin gelişmesiyle yakından ilişkili olduğu da unutulmamalıdır. Yani tüm avantajlarına rağmen yöntemlerin kullanılmasındaki talep, artık işlemlerin daha hızlı ve basit şekilde yapılabiliyor olması sayesindedir. Yapay sinir ağları ile ilgili geçmişte yapılmış olan çalışmalar incelendiğinde birçoğunun başarılı tahminlerde bulunduğu görülmektedir. Ancak, elde edilen sonuçların farklı olduğu da bilinmektedir. Bunun sebebi ağ mimarileri, katman sayısı ve eğitim algoritması gibi sistemin performansını etkileyebilecek unsurların bulunmasıdır. Bu çalışmada Borsa İstanbul’da kurulması gereken optimum yapay sinir ağı üzerinde durulmuştur. Nasıl bir ağ yapısının Borsa İstanbul’da daha iyi performansla çalışacağı irdelenmektedir. Bunun için ağ mimarileri, gizi katman sayıları ve eğitim algoritmaları ile birçok analiz gerçekleştirilmiştir. Analizlerde BİST100 endeksinin tahmin edilebilmesi için girdi değişken olarak temel ve teknik verilerden yararlanılmıştır. Temel değişkenler; Amerikan Doları, mevduatlara uygulanan faiz oranı ve para arzı(M2)’dir. Teknik değişkenler ise; MACD, RSI, Stokastik ve Momentum’dur. Çalışma sonucunda, BİST100 endeksi ile yapılan analizlerde feed-forward network’lerin kullanılmasının ve Bayesian Regulation eğitim algoritmasının seçilmesinin uygun olacağı gözlenmiştir. Ayrıca gizli katman sayısının arttırılmasının performansı arttırdığı gözlense de 5’ten fazla katman sayısı seçilmesi durumunda performans artışının yavaşladığı farkedilmiştir. Bu yüzden, sistemin hızı ve ağın ezberleme sorunlarına karşı ideal katman sayısının 5 olması gerektiği düşünülmektedir.

Keywords: