Metodoloji

Modelimiz Nasil Calisir?

Hangi veriyi kullaniyoruz, modeli nasil egitiyoruz, basariyi nasil olcuyoruz? Seffafligi temel ilkemiz olarak goruyoruz ve tum sureci acikca paylasiyoruz.

LSTM Nedir?

Long Short-Term Memory (LSTM), ozellikle zaman serisi verileri icin gelistirilmis ozel bir tekrarlayan sinir agi (RNN) turudur. Standart yapay sinir aglarinin aksine LSTM, gecmisteki kaliplari "hatirlamak" icin tasarlanmis hucre yapilarina sahiptir.

Borsa fiyatlari doga gereği zaman serisidir: bir gunkü fiyat bir onceki gune baglidir. Bu nedenle LSTM, geleneksel regresyon modellerine kiyasla finansal tahmin gorevlerinde cok daha guclu sonuclar uretmektedir.

Platformumuzda her hisse icin ayri bir LSTM modeli egitilmekte, bu sayede her hissenin kendine ozgu volatilite ve hacim paternleri yakalanmaktadir.

# Model mimarisi (ozet)
model = Sequential([
LSTM(128, return_sequences=True,
input_shape=(60, n_features)),
Dropout(0.2),
LSTM(64, return_sequences=False),
Dropout(0.2),
Dense(32, activation='relu'),
Dense(1) # 5-gunluk getiri
])

Hangi Veriler Kullaniliyor?

Fiyat & Hacim Verileri
  • Gunluk acilis, kapanis, yuksek, dusuk fiyatlari (OHLC)
  • Islem hacmi ve lot buyuklugu
  • Agirlikli ortalama fiyat (VWAP)
  • Son 60 is gunu penceresi
Teknik Gostergeler
  • RSI (14 gunluk)
  • MACD ve sinyal cizgisi
  • Bollinger Bantlari
  • EMA (20, 50, 200 gunluk)
  • ATR (Ortalama Gercek Aralik)
Makroekonomik Degiskenler
  • USD/TRY ve EUR/TRY kur degisimleri
  • BIST 100 endeks hareketi
  • Altin fiyati (USD/ons)
  • Turkiye 10 yillik tahvil faizi

Model Egitim Sureci

1
Veri bolme: Her hisse icin son 5 yilin verileri kullanilir. Ilk %70 egitim, %15 dogrulama, son %15 test kumesi olarak ayrilir. Veri sizintisini onlemek icin bolme kronolojik sirayla yapilir.
2
Normalizasyon: Fiyat verileri MinMaxScaler ile [0,1] araligina cikilir. Her ozellik bagimsiz olarak normallestirilir. Gercek tahminlerde ters donusum uygulanarak TL bazli degerler uretilir.
3
Egitim: Adam optimizer, 0.001 ogrenme hizi, 50 epoch, erken durdurma (patience=10) ile egitim gerceklestirilir. Overfitting'i onlemek icin Dropout katmanlari (%20) kullanilir.
4
Yeniden egitim: Modeller her ay birikmis yeni verilerle yeniden egitilerek konsept kaymasina (concept drift) karsi dayaniklilik saglanir.
Performans Metrikleri
Hedef degisken 5 gunluk getiri (%)
Yön dogrulugu Yukarisinin tahmin edilmesi
Hata metrigi MSE + MAE
Egitim penceresi 60 is gunu
Yeniden egitim Ayda bir

Gerceklesen tahmin sonuclari platforma giris yaparak Performans sayfasindan incelenebilir.

Model Sınırlılıkları

Hicbir model kusursuz degildir. Bildiginiz olmasi gereken sınırlılıklar:

Siyah kugu olaylari: Beklenmedik jeopolitik kriz, afet veya ani politika degisiklikleri model tarafindan tahmin edilemez.

Likidite sorunu: Dusuk hacimli hisselerde model tahminleri daha az guvenilirdir; yuksek spread tahminleri etkileyebilir.

Halka arzlar ve sermaye artirimlari: Yeni halka arz edilen hisseler icin yeterli gecmis veri bulunmayabilir.

Piyasa manipulasyonu: Yapay olarak oynanan hisselerde model tutarsiz davranabilir.