| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | İşletme Ana Bilim Dalı |
| Tez Onay Yılı | 2025 |
| Öğrenci Adı ve Soyadı | Lütfiye SÖNMEZ |
| Tez Danışmanı | PROF. DR. MİHRİBAN COŞKUN ARSLAN |
| Türkçe Özet | Çalışmanın amacı gelişmiş̧ (G7) ve gelişmekte olan (E7) ülkelerine ait seçilmiş̧ borsa endekslerini tahmin etmek ve geleneksel ile derin öğrenme tabanlı modellerin performanslarını karşılaştırmalı olarak analiz etmektir. Bu doğrultuda geleneksel istatistiki yöntemlerden ARIMA ve Derin öğrenme tabanlı modellerden ise LSTM modeli kullanılarak farklı ülke dinamiklerine sahip piyasalarda tahmin başarısı değerlendirilmiştir. Modelleme sürecinde bağımlı değişken olarak ilgili borsa endekslerinin kapanış̧ fiyatları, bağımsız değişken olarak ise literatürde genel kabul görmüş̧ on teknik gösterge (MA, WMA, MACD, CCI, RSI, Skolastik %K, Skolastik %D, Williams' %R, Momentum, A/D) ve üç makro ekonomik gösterge (Altın ONS fiyatı, Bren petrol fiyatı ve DXY) kullanılmıştır.Çalışmada kullanılan veri seti 2006-2022 dönemine ait günlük verilerden oluşmakta olup ilgili veriler investing.com ve yahoo.finance adreslerinden temin edilmiştir. Modellerin tahmin performansları her bir ülke için MAE, MSE, RMSE ve MAPE hata ölçütleri kullanılarak değerlendirilmiştir. Elde edilen analiz sonuçları genel olarak LSTM modelinin ARIMA modeline göre kıyasla daha düşük tahmin hataları ürettiğini ve özellikle volatilitesi yüksek piyasalarda uzun vadeli bağımlılıkları yakalama kabiliyeti sayesinde daha yüksek tahmin performansı sergilediği ortaya konulmuştur. Bununla birlikte belirli piyasalarda ARIMA modelinin LSTM modeline rekabetçi bir performans sergilediği gözlemlenmiştir. ARIMA modeli, MOEX ve Shanghai Composite endekslerinde LSTM modeli ile karşılaştırılabilir bir doğrulukta performans göstermiştir. Bu bulgu, ülkeler arası yapısal farklılıkların ve veri seti özelliklerinin tahmin performansını etkilediğini ortaya koymaktadır. Sonuçlar, finansal tahmin çalışmalarında model seçiminin önemine işaret etmekte ve yüksek volatiliteli piyasalarda derin öğrenme yaklaşımlarının avantajlarını vurgulamaktadır. |
| İlgilizce Özet | The purpose of this study is to predict selected stock market indices of developed (G7) and emerging (E7) countries and to comparatively analyze the performance of traditional and deep learning-based models. In this regard, prediction success was evaluated in markets with different country dynamics using ARIMA from traditional statistical methods and LSTM model from deep learning-based models. In the modeling process, the closing prices of the relevant stock market indices were used as the dependent variable, while ten technical indicators widely accepted in the literature (MA, WMA, MACD, CCI, RSI, Stochastic %K, Stochastic %D, Williams' %R, Momentum, A/D) and three macroeconomic indicators (Gold ounce price, Brent oil price, and DXY) were used as independent variables.The dataset used in the study consists of daily data for the period 2006-2022, and the relevant data were obtained from investing.com and yahoo.finance. The prediction performance of the models was evaluated using MAE, MSE, RMSE, and MAPE error metrics for each country. The analysis results generally revealed that the LSTM model produces lower prediction errors compared to the ARIMA model and exhibits higher prediction performance, particularly in high-volatility markets, due to its ability to capture long-term dependencies. However, it was observed that the ARIMA model exhibited competitive performance compared to the LSTM model in certain markets. The ARIMA model demonstrated comparable accuracy performance to the LSTM model in the MOEX and Shanghai Composite indices. This finding reveals that structural differences between countries and dataset characteristics affect prediction performance. The results highlight the importance of model selection in financial forecasting studies and emphasize the advantages of deep learning approaches in high-volatility markets. |