LSTM ve GRU Hibrit Modeli ile Hisse Senedi Fiyat Tahmini: Türkiye Borsası Uygulaması ve Model Karşılaştırmaları

Özet

Amaç – Finansal piyasalarda hisse senedi fiyat tahmini, yatırım kararlarının doğruluğunu artırmak için kritik bir konudur. Geleneksel istatistiksel yöntemler, finansal zaman serilerinin doğrusal olmayan ve yüksek oynaklığa sahip yapısını yeterince yakalayamamaktadır. Bu çalışmada, Uzun Kısa Süreli Bellek (LSTM) ve Gated Recurrent Unit (GRU) modellerini birleştiren bir hibrit derin öğrenme modeli önerilmiştir. Çalışmanın temel amacı, LSTM-GRU hibrit modelinin hisse senedi fiyat tahminindeki başarımını değerlendirmek ve bu modelin performansını LSTM-CNN, LSTM-AUTOENCODER ve LSTM-TRANSFORMER hibrit modelleri ile karşılaştırmaktır. Yöntem – Çalışmada, 2020-2023 yılları arasında Türkiye borsasında işlem gören hisse senetlerine ait günlük fiyat verileri kullanılmıştır. Yahoo Finance üzerinden elde edilen veri seti, açılış, en yüksek, en düşük, kapanış fiyatları ve işlem hacmi gibi temel özellikleri içermekte olup, MinMaxScaler yöntemi ile normalize edilmiştir. Modelin başarımı, Kök Ortalama Kare Hatası (RMSE), Ortalama Mutlak Hata (MAE), Ortalama Mutlak Yüzdesel Hata (MAPE), Determinasyon Katsayısı (R²) ve Ortalama Kare Hata (MSE) metrikleri kullanılarak değerlendirilmiştir. Ayrıca, LSTM-GRU modeli, LSTM-CNN, LSTMAUTOENCODER ve LSTM-TRANSFORMER hibrit modelleriyle karşılaştırılarak tahmin doğruluğu açısından üstünlüğü test edilmiştir. Bulgular – Deneysel sonuçlar, LSTM-GRU hibrit modelinin, diğer hibrit modellere kıyasla daha düşük hata oranlarına ve daha yüksek doğruluk değerlerine sahip olduğunu göstermektedir. Özellikle RMSE ve MAE değerleri açısından en başarılı model LSTM-GRU olarak belirlenmiştir. Model, Banka-1 ve Holding-1 hisse senetlerinde yüksek doğruluk sağlarken, Şirket-1 hisse senedi için hata oranlarının görece daha yüksek olduğu tespit edilmiştir. Bununla birlikte, LSTM-CNN ve LSTM-AUTOENCODER modelleri makul düzeyde tahmin başarımı gösterirken, LSTM-TRANSFORMER modelinin finansal zaman serilerinde beklenen performansı sağlayamadığı görülmüştür. Tartışma – Elde edilen bulgular, LSTM-GRU modelinin finansal zaman serilerindeki karmaşık bağıntıları başarıyla yakaladığını ve hisse senedi fiyat tahmininde güvenilir bir araç olarak değerlendirilebileceğini göstermektedir. Çalışma, hibrit derin öğrenme modellerinin finansal tahmin süreçlerinde kullanım potansiyelini ortaya koymakta ve özellikle LSTM-GRU kombinasyonunun yatırım karar destek sistemleri açısından önemli bir katkı sunduğunu göstermektedir. Gelecekteki çalışmalar, modelin hiperparametre optimizasyonu, gerçek zamanlı piyasa verileriyle adaptasyonu ve makroekonomik değişkenlerin entegrasyonu gibi faktörler üzerinde yoğunlaşarak modelin tahmin kapasitesini artırmayı hedefleyebilir.