İrem Sevda İnce

Bu çalışma, finansal zaman serilerinin kısa vadeli tahmini amacıyla çeşitli veri yapıları ve model konfigürasyonlarının kapsamlı bir değerlendirmesini sunmakta; teknik göstergelerle zenginleştirilmiş Long Short-Term Memory (LSTM) tabanlı bir derin öğrenme modeli önermektedir. Model, saatlik ve dakikalık çözünürlükte yapılandırılmış veri setleri kullanılarak, fiyat-hacim bilgileri ile teknik analiz göstergelerinin ayrı girişler olarak işlendiği farklı senaryolar altında test edilmiştir. Ayrıca LSTM, GRU ve BiLSTM mimarileri; MSE, MAE, Huber ve büyük hataları daha fazla cezalandıracak şekilde tasarlanmış özel bir ağırlıklı kayıp fonksiyonu ile değerlendirilmiştir. Deneysel sonuçlar, teknik göstergelerle desteklenen LSTM modelinin hem fiyat hareketlerinin yönünü hem de büyüklüğünü doğru şekilde tahmin etmede yüksek performans sergilediğini göstermektedir. Bu çalışma, derin öğrenme tabanlı finansal tahmin bağlamında farklı veri türleri ve modelleme stratejilerini birlikte ele alan bütüncül çerçevesiyle literatüre anlamlı bir katkı sunmaktadır.