Borsa Endeksi Tahmininde Derin Öğrenme Ve Geleneksel Yöntemlerin Karşılaştırması: G7 Ve E7 Ülkelerinde Bir Uygulama

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.