LightGBM Algoritması Kullanılarak TEFAS Üzerindeki Yatırım Fonu Fiyatlarının Tahmin Edilmesi

Finansal piyasaların sürekli gelişen ve karmaşıklaşan yapısı, yatırımcıların varlık yönetimi ve riskten korunma stratejilerinde geleceğe dönük doğru tahminler yapmasını zorunlu kılmaktadır. Türkiye Elektronik Fon Alım Satım Platformu (TEFAS), yatırımcıların farklı portföy yönetim şirketlerine ait yatırım fonlarına tek bir hesap üzerinden erişip işlem yapmalarına olanak tanıyan şeffaf ve merkezi bir ekosistem sunmaktadır. Bununla birlikte, yatırım fonu fiyatlarının öngörülmesi; dayanak varlıkların performansı, piyasa duyarlılığı, makroekonomik göstergeler ve fona özgü nitelikler gibi çok sayıda değişkenden etkilenen yüksek oynaklıklı bir süreçtir. Geleneksel istatistiksel zaman serisi modelleri ve temel analiz yaklaşımları, modern finansal verilerin içerdiği doğrusal olmayan karmaşık bağımlılıkları ve ani piyasa değişimlerini yakalamakta sıklıkla sınırlı kalmaktadır. Bu durum, veri odaklı ve karmaşık kalıpları öğrenebilen gelişmiş makine öğrenmesi algoritmalarının finansal öngörü süreçlerine entegre edilmesini gerekli kılmaktadır.

Bu doğrultuda ele alınan araştırma, TEFAS platformunda işlem gören seçili yatırım fonlarının fiyat hareketlerini gradyan artırma tabanlı LightGBM (Light Gradient Boosting Machine) algoritması vasıtasıyla tahmin etmeyi hedeflemektedir. Veri seti kapsamında, 23 Nisan 2025 tarihine kadar olan son beş yıllık tarihsel veriler toplanarak Pandas DataFrame yapısında düzenlenmiştir. Yöntemsel süreçte zaman serisinin zamansal dinamiklerini modele aktarmak amacıyla gecikmeli fiyat değerleri (lagged values), kısa vadeli fiyat değişim yüzdeleri ile 5 ve 13 günlük basit hareketli ortalamalar (SMA) türetilmiştir. Ayrıca ABD Doları kuru (USD/TRY) ve gram altın fiyatları dışsal değişken olarak modele dahil edilmiştir. Modelin değerlendirilmesinde zaman serisi ayrımı (time-series split) kullanılarak veri sızıntısının önüne geçilmiş; LGBMRegressor modeli MAE minimizasyonunu hedefleyen 'regression_l1' kaybı ve 'mae' metriği ile konfigüre edilerek 1000 ağaç iterasyonu ile eğitilmiştir.

Uygulama aşamasında TEFAS üzerinde işlem gören AFT ve AFA kodlu yatırım fonları özelinde vaka analizleri gerçekleştirilmiştir. Sabit bir rastgele tohum (seed=42) ile yürütülen tekil çalıştırmada, AFT fonu için test kümesinde Kök Ortalama Kare Hata (RMSE) değeri 0,02418357 olarak ölçülmüş; 24 Nisan ve 25 Nisan 2025 tarihlerine ait gerçek fiyatlar (0,464522 ve 0,494151) karşılığında sırasıyla 0,48596486 ve 0,48180393 tahmin değerleri üretilmiştir. Rastgeleliğin etkisini sönümlemek amacıyla yapılan 1000 yinelemeli simülasyonda ise AFT fonu ortalama tahmin değerleri 0,48851891 ve 0,48317624 olarak gerçekleşmiştir. AFA fonu için yapılan tekil çalıştırmada test RMSE değeri 0,02486311 bulunurken, 24 Nisan ve 25 Nisan gerçek fiyatlarına (0,663933 ve 0,694149) karşılık tekil tahminler 0,68089192 ve 0,68806604; 1000 çalıştırma ortalamaları ise 0,68074949 ve 0,68883918 olarak hesaplanmıştır.

Elde edilen ampirik bulgular, LightGBM algoritmasının TEFAS yatırım fonu fiyatlarındaki zamansal eğilimleri ve ilişkileri makul bir hata payı dahilinde öğrenebildiğini göstermektedir. Araştırma, tekil model çalıştırmaları ile çoklu rastgele tohum simülasyonlarının karşılaştırılmasının, finansal zaman serilerindeki tahmin istikrarını ve modelin güvenilirliğini değerlendirmede hayati bir rol oynadığını ortaya koymaktadır. Çoklu çalıştırma ortalamalarının rastgele varyansı azaltarak daha kararlı kestirimler sunduğu vurgulanmaktadır. Literatür taraması açısından bu çalışma, Türkiye yerel fon piyasasına odaklanarak LightGBM'in finansal öngörü gücünü TEFAS özelinde somutlaştırmakta ve gelecek araştırmalar için enflasyon, faiz oranları gibi makroekonomik değişkenler ile hiperparametre optimizasyonu entegrasyonuna temel oluşturmaktadır.

Bulgular, LightGBM algoritmasinin finansal zaman serilerindeki oynakligi ve doğrusal olmayan ilişkileri basariyla modelledigini göstermektedir. Hem AFT hem de AFA fonlari için elde edilen 0.024 seviyesindeki düşük RMSE degerleri, makine öğrenmesi yaklaşiminin geleneksel istatistiksel yöntemlerin zorlandigi karmasik desenleri cozebildigine isaret etmektedir.

Yazar, tahmin basarisinin temelini özellik muhendisligi süreçine bağlamaktadir. Gecikmeli fiyatlarin ve hareketli ortalamalarin modele girdi olarak sunulmasi, LightGBM'in verilerdeki zamansal bagimliliklari kavramasini sağlarken; dolar kuru ve altin fiyati gibi disal değişkenler, modelin genel piyasa konjonkturunden kopmasini engellemistir.

Literatürle kurulan ilişkide, çalışmanın sonuçları LightGBM'in sadece hisse senedi veya kripto para piyasalarinda degil, yatırım fonlari gibi daha kurumsal yonetilen varliklarda da etkili oldugunu kanıtlamaktadir. Özellikle COVID-19 donemi gibi stresli zamanlarda dayaniklilik gösteren boosting modellerine dair önceki çalışmalarla uyumlu bir istikrar gozlenmistir.

Tartisma bolumunde vurgulanan bir diğer kritik nokta ise modelin tohum (seed) değişimine karsi duyarliligidir. Tekil çalıştirmalarda ortaya cikabilecek rastgelelik riskini bertaraf etmek için yapilan 1000 yinelemeli analiz, daha sağlam ve guvenilir tahminlerin ancak ortalamalar üzerinden kurulabilecegini teorik olarak desteklemistir.

Yazar, LightGBM'in performansinin Hartanto ve arkadaslarinin (2023) hisse senedi piyasalarinda gozlemledigi XGBoost ve AdaBoost gibi diğer boosting algoritmalarini geride birakma kapasitesiyle paralel oldugunu belirtmektedir (Ölmez, 2025).

Bu çalışma, Türkiye finansal piyasalarının özgün bir bileşeni olan TEFAS platformundaki yatırım fonlarının fiyat hareketlerini modellemek üzere LightGBM algoritmasının uygulanabilirliğini test ederek literatürde ampirik bir köprü kurmaktadır. Geleneksel modellerin aksine, yüksek boyutlu ve doğrusal olmayan finansal zaman serilerini işleme kapasitesiyle öne çıkan bu çalışma, makine öğrenmesi tekniklerinin yerel fon piyasasına uyarlanmasında rehberlik etmektedir. Tahmin başarısını sadece içsel verilerle değil, döviz ve altın gibi dışsal piyasa göstergeleriyle destekleyerek finansal öngörü süreçlerinde çok değişkenli yaklaşımın önemini vurgulamaktadır.

Yazar, makinesel öğrenme algoritmalarının finansal öngörüdeki başarısını Hartanto vd. (2023) ve Sun vd. (2020) gibi güncel çalışmaların bulgularıyla ilişkilendirerek temellendirmektedir. Bu çalışmaların hisse senedi ve kripto para birimleri üzerindeki başarılarını, yatırım fonu piyasasına genelleyerek literatürdeki yöntemsel geçerliliği genişletmektedir. Özellikle karmaşık bağımlılıkların yakalanması noktasında hibrit modelleri öneren Guo vd. (2021) ve Tian vd. (2022) ile paralellik kurarken, LightGBM'in tekil performansının da karmaşık piyasa dinamiklerinde rekabetçi bir alternatif olduğunu ortaya koymaktadır.

Literatür taraması yapan araştırmacılar için bu çalışma, bir tahmin modelinin kararlılığını ölçmek amacıyla kullanılan 1000 yinelemeli analiz yöntemiyle önemli bir metodolojik katkı sunmaktadır. Sadece bir tahmin sonuçu üretmek yerine, rastgele tohumların tahmin üzerindeki varyansını raporlayarak finansal tahmin çalışmalarında model güvenilirliğinin nasıl raporlanması gerektiğine dair bir standart önermektedir. Ayrıca, TEFAS verilerinin işlenmesi, özellik mühendisliği ve dışsal faktörlerin modele entegrasyonu konularında literatüre somut bir uygulama çerçevesi kazandırarak yöntemsel çeşitliliği artırmaktadır.