Filtreler

20252
Filtreleri Sıfırla

Ayarlar

Bölüm: Işık Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Endüstri Mühendisliği Bölümü × Scopus Q: N/A ×

Arama Sonuçları

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Yayın
    Mikro ölçekli hisselerde anormal fiyat hareketlerinin LSTM ile tahmini
    (Institute of Electrical and Electronics Engineers Inc., 2025-08-15) Recal, Füsun; Kayaçetin, Nuri Volkan; Kayahan, İsmail
    Bireysel yatırımcıların karar alma süreçlerinde gözlemlenen aşırı iyimserlik, sürü psikolojisi ve yakın geçmişteki performansa aşırı tepki gibi davranışsal eğilimler dar yatırımcı tabanları ve düşük likiditeleri nedeniyle arbitraj mekanizmasının göreceli olarak zor işlediği mikro ölçekli hisselerin değerlerini makul ekonomik temellerden koparabilir. Bu çalışmada, bu tip davranışsal eğilimlerin hisse fiyatı ve işlem hacmi üzerinde belli örüntüler bırakacağı fikrinden yola çıkılarak, Borsa İstanbul’da işlem gören mikro ölçek hisselerdeki anormal fiyat ayrışmalarını, geçmiş fiyat ve hacim bazlı değişkenler yardımıyla tahmin eden bir LSTM modeli geliştirilmiştir. İncelenen hisselerin yarısından çoğunda modelden elde edilen tahminler gerçekleşen getirilerle pozitif ve istatistiksel olarak anlamlı bir ilişki içindedir. Sonuçlar, mikro ölçekli hisselerdeki fiyat ayrışmalarının geçmiş fiyat ve hacim verisiyle kısmen de olsa açıklanabildiğini göstermektedir.
  • Küçük Resim
    Yayın
    Comparing pre-trained and fine-tuned transformer-based models for sentiment analysis in Turkish comments in student surveys
    (Institute of Electrical and Electronics Engineers Inc., 2025-08-15) Pourjalil, Kajal; Ekin, Emine; Recal, Füsun
    Student surveys are essential for evaluating teaching quality and course content, but analyzing open-ended responses is challenging due to their unstructured and multilingual nature. This study applies sentiment analysis to Turkish educational survey responses using three transformer-based models: SAVASY, DBMDZ BERT Base Turkish Cased, and XLM-RoBERTa Base. A labeled dataset of real-world student comments was used, with sentiment labels assigned using the Gemini AI tool to facilitate model fine-tuning. Evaluation metrics included accuracy, F1-score, precision, recall, and confidence scores. Results show that fine-tuning improves sentiment classification, effectively identifying positive, negative, and neutral sentiments. This highlights the value of transformer models in analyzing Turkish student feedback.