LightGBM ve ElasticNet modellerinin birleşik tahmini ile BIST hisse seçimi. 29 feature, walk-forward eğitim, aylık rebalans.
| # | Hisse | Skor | Ağırlık | Ay Getirisi |
|---|---|---|---|---|
| 1 | THYAO | 100 | 5% | — |
| 2 | DOCO | 95 | 5% | — |
| 3 | CLEBI | 90 | 5% | — |
| 4 | TABGD | 85 | 5% | — |
| 5 | TCELL | 80 | 5% | — |
| 6 | BIZIM | 75 | 5% | — |
| 7 | PGSUS | 70 | 5% | — |
| 8 | ARZUM | 65 | 5% | — |
| 9 | ISYAT | 60 | 5% | — |
| 10 | METEN | 55 | 5% | — |
| 11 | MOPAS | 50 | 5% | — |
| 12 | MASFN | 45 | 5% | — |
| 13 | GLCVY | 40 | 5% | — |
| 14 | AGESA | 35 | 5% | — |
| 15 | RODRG | 30 | 5% | — |
| 16 | GARAN | 25 | 5% | — |
| 17 | ORZAX | 20 | 5% | — |
| 18 | AKGRT | 15 | 5% | — |
| 19 | GLBMD | 10 | 5% | — |
| 20 | AKBNK | 5 | 5% | — |
ML Ensemble portföyü, LightGBM ve ElasticNet modellerinin rank-normalize edilmiş tahminlerinin basit ortalamasını kullanır. Her model 29 farklı özellik (momentum, volatilite, değerleme, kalite, sektör, piyasa rejimi) ile eğitilir. Walk-forward yöntemiyle her ay sadece o tarihe kadar mevcut verilerle eğitim yapılır — gelecek veriye asla bakılmaz.
Model bazlı analiz, 6 modelden (XGBoost, LightGBM, RF, Ridge, ElasticNet, CatBoost) LightGBM ve ElasticNet'in bireysel olarak en yüksek kümülatif getiriyi sağladığını göstermiştir. Stacking meta-model overfit ettiği (basit ortalamadan %66 daha kötü) için kaldırılmıştır. Basit ortalama, karmaşık stacking'den daha güvenilir sonuç üretir.
En önemli özellikler: sektör ortalama volatilite, 21 günlük momentum, sektör ortalama E/P, piyasa genişliği (breadth) ve 63 günlük momentum. Sektör-seviyesi özellikler bireysel hisse özelliklerinden daha önemli çıkmıştır — bu, BIST'te sektör rotasyonunun bireysel hisse seçiminden daha güçlü bir sinyal olduğunu gösterir.
İlgili yazılar: ML ile Hisse Seçimi, Faktör Yatırımı, BIST 10 Yıl Backtest