Akademik Veri Yönetim Sistemi
cilt.7, sa.2, ss.213-237, 2025 (Hakemli Dergi)
Finansal piyasaların doğasında bulunan belirsizlik nedeniyle, yalnızca sezgilere dayalı yatırım kararları önemli riskler taşımaktadır. Bu nedenle, bu çalışma, makine öğrenimi tabanlı tahmin tekniklerinin yatırım karar süreçlerine nasıl entegre edilebileceğini araştırmayı amaçlamaktadır. Random Forest, XGBoost ve LSTM modellerini içeren karşılaştırmalı analizimizde, Random Forest modeli, yaklaşık 24 endeks puanlık ortalama mutlak hata (MAE) ile daha düşük tahmin hatası ve daha tutarlı sinyallerle öne çıkmıştır. Bu sinyaller yatırım stratejilerine dönüştürüldüğünde, yalnızca tahmin doğruluğunda değil, aynı zamanda %95,51 toplam getiri ve 8,06 Sharpe oranı gibi risk-ayarlı getirilerde de anlamlı iyileşmeler gözlenmiştir. Ancak, bu bulguların çalışmada kullanılan veri seti ve modelleme seçimlerine özgü olduğu ve farklı piyasa koşullarında veya veri rejimlerinde sonuçların değişebileceği vurgulanmalıdır.