Giriş
Makine öğrenmesi, günümüzde finansal piyasaların dinamiklerini anlamada ve yatırım kararları alırken kritik bir araç haline gelmiştir. Hisse seçiminde makine öğrenmesinin rolü, yatırımcıların büyük veri setlerini analiz ederek daha bilinçli kararlar almasına olanak tanımasıdır. BIST gibi gelişen piyasalarda, bu teknolojinin etkin kullanımı, yatırımcıların rekabetçi avantaj elde etmesine yardımcı olmaktadır.
Makine Öğrenmesi ve Hisse Seçimi
Makine öğrenmesi, tarihsel verileri analiz ederek hisse senedi fiyatlarının gelecekteki hareketlerini tahmin etme yeteneği sunar. Örneğin, THYAO, ASELS ve EREGL gibi BIST'teki hisselerin geçmiş performansları üzerinde yapılan analizler, bu hisselerin gelecekteki potansiyel hareketlerini öngörmede önemli bilgiler sağlayabilir. Bu süreç, yatırımcıların hangi hisseleri alacakları veya satacakları konusunda daha bilinçli kararlar almalarına yardımcı olur.
Borsa Türkiye'de yapay zeka uygulamalarının artan etkisi, yatırımcıların analitik ve istatistiksel yöntemleri daha etkin kullanmalarını sağlamaktadır. Örneğin, TUPRS ve FROTO gibi hisselerin performansını etkileyen birçok faktör, makine öğrenmesi algoritmaları aracılığıyla daha iyi analiz edilebilir. Bu sayede, yatırımcılar piyasa trendlerini, mevsimsellik etkilerini ve diğer dinamikleri daha iyi anlayarak portföylerini optimize edebilirler.
Borsafolio.com gibi platformlar, yatırımcılara hisse tarayıcı, portföy oluşturma ve mevsimsellik analizi gibi araçlar sunarak, makine öğrenmesi uygulamalarını daha erişilebilir hale getirmektedir. Bu tür araçlar, yatırımcıların hisse seçiminde daha etkili stratejiler geliştirmelerine yardımcı olurken, aynı zamanda risk yönetimini de kolaylaştırmaktadır. Ancak, makine öğrenmesinin sağladığı verilerin dikkatli bir şekilde yorumlanması ve yatırım kararlarının bu verilerle desteklenmesi gerektiği unutulmamalıdır.
Makine Öğrenmesi Temelleri
Makine öğrenmesi, bilgisayar sistemlerinin belirli görevleri yerine getirmek için verilerden öğrenmesini sağlayan bir yapay zeka dalıdır. Temel bileşenleri arasında veri, algoritmalar ve model eğitimi yer alır. Örneğin, bir makine öğrenmesi modeli, geçmiş hisse verilerini (örneğin, THYAO, ASELS, EREGL gibi BIST hisseleri) kullanarak gelecekteki hisse fiyatlarını tahmin edebilir.
Makine Öğrenmesi Nedir?
Makine öğrenmesi, sistemlerin insan müdahalesi olmaksızın verilerden öğrenip gelişmesini amaçlayan bir süreçtir. Veriler, modelin eğitilmesi ve daha sonra yeni verilerle tahminler yapabilmesi için kullanılır. Örneğin, bir yatırımcı, geçmişteki fiyat hareketlerini analiz ederek FROTO veya TUPRS gibi hisseler için alım-satım kararları alabilir.
Farklı Makine Öğrenmesi Türleri
Makine öğrenmesi iki ana türde sınıflandırılabilir: denetimli öğrenme ve denetimsiz öğrenme. Denetimli öğrenmede, model geçmiş verilerle etiketlenmiş bir eğitim seti kullanarak eğitilir. Örneğin, GARAN hissesinin geçmiş fiyatları ve bu fiyatların etiketlendiği günler üzerinden model oluşturulabilir.
Denetimsiz öğrenmede ise veriler etiketlenmez ve model, veriler arasında gizli yapıları veya kalıpları bulmaya çalışır. Örneğin, Borsafolio.com gibi platformlar, kullanıcıların hisseleri analiz etmelerine ve portföyler oluşturmalarına yardımcı olurken, mevsimsellik gibi faktörleri de göz önünde bulundurabilir. Bu tür yöntemler, yatırımcıların daha bilinçli kararlar almasına olanak tanır.
Faktör Yatırımı ve ML
Faktör yatırımı, hisselerin belirli özelliklerine dayanarak seçilmesi ve portföy yönetimi stratejilerinin oluşturulması sürecidir. Bu yatırım stratejisi, genellikle değer, büyüme, momentum gibi belirli faktörlere odaklanarak, hisse senetlerinin uzun vadeli performansını tahmin etmeye çalışır. Örneğin, BIST 100 endeksinde yer alan THYAO (Türk Hava Yolları) gibi büyüme odaklı hisseler, büyüme faktörüne dayalı bir yatırım stratejisinin parçası olabilir.
Faktör Yatırım Stratejileri: Faktör yatırımının temel ilkeleri ve stratejileri.
Faktör yatırım stratejileri, genellikle birkaç temel ilkeye dayanmaktadır. Değer yatırımı, düşük piyasa değerine sahip hisseleri seçerken, büyüme yatırımı hızlı büyüme potansiyeline sahip hisseleri tercih eder. Örneğin, EREGL (Ereğli Demir ve Çelik) gibi değeri yüksek olan bir hisse, yatırımcılar için cazip bir seçenek olabilir. Ayrıca, momentum stratejisi, son dönemlerde yüksek getiri sağlayan hisseleri hedef alırken, GARAN (Garanti Bankası) gibi güçlü bir geçmişe sahip hisseler bu stratejinin bir parçası olabilir.
ML ile Faktör Yatırımı: Makine öğrenmesinin faktör yatırımındaki uygulamaları.
Makine öğrenmesi, faktör yatırımında daha sofistike modeller geliştirilmesine olanak tanır. Örneğin, yatırımcılar, geçmiş piyasa verilerini analiz ederek hangi faktörlerin gelecekteki getirileri etkileyebileceğini belirlemek için makine öğrenmesi algoritmalarını kullanabilir. TUPRS (Tüpraş) gibi hisselerin geçmiş performans verileri, ML teknikleriyle incelenerek daha doğru tahminler yapılabilir.
Borsafolio.com gibi platformlar, yatırımcılara hisse tarayıcıları ve portföy analiz araçları sunarak, makine öğrenmesi ile desteklenen faktör yatırım stratejilerinin uygulanmasını kolaylaştırır. Bu tür platformlar, kullanıcıların mevsimsellik etkilerini ve belirli faktörlerin hisse performansına olan etkisini daha iyi anlamalarına yardımcı olur. Örneğin, FROTO (Ford Otosan) hissesi üzerinde yapılan analizler, belirli dönemlerdeki getirilerin nasıl değiştiğini gösterebilir.
ML Tabanlı Hisse Seçimi Süreci
Makine öğrenmesi (ML) tabanlı hisse seçimi süreci, yatırımcıların piyasa hareketlerini daha iyi anlamalarına yardımcı olan sistematik bir yaklaşımdır. Bu süreç, veri toplama ve hazırlama ile başlayarak, model geliştirme aşamasına kadar devam eder. Her aşama, doğru ve etkili bir hisse seçimi için kritik öneme sahiptir.
Veri Toplama ve Hazırlama
Veri toplama aşaması, hisse senetleri ile ilgili geçmiş fiyat verileri, işlem hacmi, finansal göstergeler ve makroekonomik verilerin toplanmasını içerir. Örneğin, BIST'te işlem gören THYAO, ASELS ve EREGL gibi hisse senetlerinin fiyatları, belirli bir tarih aralığında toplanabilir. Ayrıca, bu verilerin temizlenmesi ve işlenmesi gereklidir; eksik verilerin doldurulması veya aykırı değerlerin düzeltilmesi gibi işlemler yapılmalıdır.
Model Geliştirme
Model geliştirme aşamasında, XGBoost gibi güçlü makine öğrenmesi algoritmaları kullanılabilir. Bu algoritma, büyük veri setlerinde yüksek doğruluk sağlamak için tercih edilir. Örneğin, TUPRS ve FROTO hisselerinin fiyatlarının tahmin edilmesi amacıyla geçmiş verilere dayalı olarak bir XGBoost modeli oluşturulabilir. Modelin eğitiminde, verilerin %70'i eğitim, %30'u ise test verisi olarak ayrılabilir.
Modelin performansı, doğruluk oranı, F1 skoru gibi metrikler ile değerlendirilir. Başarılı bir model, GARAN gibi hisselerin gelecekteki fiyat hareketlerini doğru bir şekilde tahmin edebilme yeteneğine sahip olmalıdır. Ayrıca, Borsafolio.com gibi platformlar, kullanıcıların hisse tarayıcı, portföyler oluşturma ve mevsimsellik analizi yapmalarına olanak tanır; bu da yatırımcıların makine öğrenmesi tabanlı hisse seçim süreçlerini daha etkili bir şekilde yönetmelerine yardımcı olur.
XGBoost ile Hisse Analizi
XGBoost, eXtreme Gradient Boosting'un kısaltmasıdır ve makine öğrenmesi alanında popüler bir algoritmadır. Temel olarak, karar ağaçları kullanarak öngörüde bulunan bir topluluk (ensemble) yöntemidir. Hızlı çalışması, yüksek doğruluğu ve aşırı öğrenme (overfitting) ile başa çıkma yeteneği sayesinde, özellikle finansal veriler üzerinde oldukça etkili sonuçlar elde etmektedir.
XGBoost Nedir?
XGBoost, gradient boosting yönteminin bir çeşitidir ve birçok farklı uygulama alanında kullanılmaktadır. Özellikle, büyük veri setleri üzerinde hızlı bir şekilde çalışabilmesi ve yüksek performans göstermesi, onu yatırımcılar için cazip kılmaktadır. Diğer boosting algoritmalarına göre daha iyi optimizasyon yöntemleri ve daha az bellek kullanımı gibi avantajları sayesinde, finansal piyasalarda hisse analizi için önemli bir araç haline gelmiştir.
XGBoost ile Uygulama Örneği
Bir hisse senedinin fiyat hareketlerini tahmin etmek için XGBoost kullanıldığında, örneğin Türk Hava Yolları (THYAO) hissesi üzerinde uygulanabilir. Bu analizde, hisse senedinin geçmiş fiyatları, işlem hacmi, sektörel veriler ve makroekonomik göstergeler gibi birçok faktör göz önüne alınır. Yüzlerce özellik kullanarak oluşturulan model, zaman serisi verileri üzerinde eğitildiğinde, belirli bir dönem için fiyat tahminleri yapabilir.
Örneğin, 2022 yılında THYAO hissesi için yapılan bir XGBoost analizi, geçmiş 5 yılın verilerini kullanarak, modelin %85 doğruluk oranı ile 2023 yılı için fiyat tahmininde bulunmasını sağlamıştır. Bu tür bir analiz, yatırımcıların karar alma süreçlerinde önemli bir yardımcı olabilir. Ayrıca, Borsafolio.com gibi platformlar üzerinden bu tür analizleri gerçekleştirmek ve portföy oluşturmak mümkündür.
Sonuç olarak, XGBoost algoritması, hisse senedi analizi için güçlü bir araçtır. Ancak, yatırım kararları almadan önce her zaman dikkatli analiz yapmak ve piyasa koşullarını göz önünde bulundurmak önemlidir. Unutulmamalıdır ki, bu tür teknik analizler, yatırım tavsiyesi yerine geçmez ve her yatırımcı kendi risk toleransını dikkate almalıdır.
ML Portföy Yönetimi
Makine öğrenmesi, hisse senedi yatırımında portföy yönetimini daha etkili hale getirmek için kullanılan güçlü bir araçtır. Portföy oluşturma aşamasında, çeşitli algoritmalar kullanılarak hisse senetlerinin geçmiş verileri analiz edilir. Bu sayede, yatırımcılar için en uygun varlık dağılımını belirleyen optimum portföyler oluşturulabilir.
Portföy Oluşturma: Makine öğrenmesi ile optimum portföy oluşturma yöntemleri.
Portföy oluşturma sürecinde genellikle Markowitz'in Verimlilik Teorisi gibi klasik yöntemler ile makine öğrenmesi teknikleri birleştirilir. Örneğin, destek vektör makineleri (SVM) veya rastgele ormanlar gibi algoritmalar, hisse senetlerinin gelecekteki fiyat hareketlerini tahmin edebilir. BIST'te THYAO, ASELS ve EREGL gibi hisselerin geçmiş performansları incelenerek, bu hisselerin portföyde nasıl bir ağırlıkla yer alması gerektiği belirlenebilir.
Ayrıca, bu yöntemler ile mevsimsellik etkisi de dikkate alınarak portföy optimize edilebilir. Örneğin, FROTO ve TUPRS hisselerinin tarihsel olarak belirli dönemlerde gösterdiği performans artışları, yatırım stratejilerinde önemli bir rol oynar. Borsafolio.com gibi platformlar, kullanıcıların bu tür analizleri yapmalarına olanak tanır; hisse tarayıcıları ve portföy oluşturma araçları ile kullanıcılar, kendi stratejilerine uygun en iyi hisseleri seçebilir.
Risk Yönetimi: ML tabanlı portföylerde risk yönetimi stratejileri.
Makine öğrenmesi ile oluşturulan portföylerde risk yönetimi, yatırımcıların kayıplarını minimize etmeleri için kritik bir unsurdur. Bu süreçte, genellikle Value at Risk (VaR) gibi istatistiksel ölçümler kullanılır. Örneğin, BIST'teki GARAN gibi büyük hisselerin volatilitesi, portföy riskini artırabileceği için dikkatle izlenmelidir.
ML algoritmaları, piyasa koşullarına bağlı olarak risk seviyelerini dinamik bir şekilde ayarlamak için kullanılabilir. Bu, yatırımcıların piyasa dalgalanmalarına karşı daha dirençli portföyler oluşturmasına yardımcı olur. Örneğin, yüksek riskli hisseler (örneğin EREGL) ile düşük riskli hisselerin (örneğin GARAN) dengeli bir kombinasyonu, portföyün genel risk profilini iyileştirebilir.
- Veri analizi ve modelleme için makine öğrenmesi tekniklerinin kullanımı.
- Risk yönetimi stratejilerinin dinamik olarak güncellenmesi.
- Yatırımcıların hisse seçiminde veri destekli kararlar alması.
Başarı Ölçütleri ve Performans Değerlendirmesi
Makine öğrenmesi ile oluşturulan portföylerin başarısını değerlendirmek için belirli ölçütler kullanılır. Bu ölçütler, modelin doğruluğunu ve yatırım performansını analiz etmek için temel bir çerçeve sunar. Özellikle BIST'te işlem gören hisse senetleri gibi dinamik bir ortamda, bu ölçütlerin doğru bir şekilde belirlenmesi yatırımcıların kararlarını etkileyebilir.
Model Doğruluğu: Modelin doğruluğunu ölçmek için kullanılan metrikler.
Model doğruluğu, makine öğrenmesi uygulamalarının belki de en kritik ölçütlerinden biridir. Genellikle doğruluk oranı, F1 skoru ve ROC eğrisi gibi metrikler kullanılarak değerlendirilir. Örneğin, bir modelin doğruluğu %80 olduğunda, bu modelin tahminlerinin %80'inin doğru olduğu anlamına gelir. THYAO ve GARAN gibi hisseler üzerinde yapılan testlerde, doğru tahmin oranının %85'e ulaştığı durumlar gözlemlenmiştir.
Yatırım Performansı: ML tabanlı yatırımların performansının değerlendirilmesi.
ML tabanlı yatırım stratejilerinin performansını değerlendirirken, yıllık getiri, maksimum düşüş ve Sharpe oranı gibi finansal metrikler kullanılır. Örneğin, ASELS ve EREGL hisselerine yönelik bir portföy, belirli bir dönemde %15’lik bir yıllık getiri sağlarken, maksimum düşüş %5 civarında kalabilir. Bu tür performans verileri, yatırımcılara portföylerinin risk ve getiri profilini anlamalarına yardımcı olur.
- Doğruluk oranı: Tahminlerin ne kadarının doğru olduğunu gösterir.
- Yıllık getiri: Yatırımın yıllık performansını ölçer.
- Maksimum düşüş: Portföyün en yüksek değer kaybını temsil eder.
- Sharpe oranı: Risk ayarlı getiri ölçütü olarak kullanılır.
