Portföy · Tüm projeler · Sorun bildir
Independent research project by Mehmet Ali Kurt · Hacettepe University — Actuarial Sciences
Project history: MC-AWARE originated alongside a TÜBİTAK 2209-A application attempt that was not pursued to completion. The research continued independently without TÜBİTAK funding or support. Historical application materials are preserved in
Archive/TUBITAK-2209A-Application.
30+ Deney · 7 DL Mimarisi · 27 Varlık · 700+ Konfigürasyon · 130 CSV · Bonferroni p = 0.00012
Kapsam: Bulgular depodaki deneylerin varlıklarına, dönemlerine ve veri ayrımlarına aittir. Bu belge güncellemesinde deneyler yeniden çalıştırılmadı. Bir NASDAQ karşılaştırması, davranışın bütün gelişmekte olan piyasalara özgü olduğunu veya gelecekte işlem getirisi sağlayacağını kanıtlamaz.
BIST (Borsa İstanbul) günlük yön tahmininde 7 farklı derin öğrenme mimarisi ile 700+ konfigürasyon test edilmiştir. Tüm mimarilerde modellerin rastgeleden daha kötü tahmin yaptığı, ancak tahminlerin ters çevrilmesiyle rastgeleden daha iyi sonuç elde edildiği gözlemlenmiştir.
Bu anti-prediktif davranış, makro değişkenlerin (USD/TRY, petrol, faiz) eğitim ve test dönemleri arasındaki korelasyon kırılmasıyla ilişkilidir. 21 BIST hissesinden 7'sinde (THYAO, PGSUS, HEKTS, SASA, KRDMD, AKGRT, ANSGR) anti-prediktif davranış tespit edilmiştir. Bonferroni-düzeltilmiş p = 0.00012.
mcaware.streamlit.app — 130 CSV dosyasından yüklenen gerçek deney sonuçları:
| Tab | İçerik | Veri Kaynağı |
|---|---|---|
| 📊 | Ana Bulgular — Metrik kartlar, confusion matrix, fold-bazlı analiz | pooled_confusion_matrix.csv |
| 🏗️ | Mimari Karşılaştırma — 7 mimari bar chart, McNemar heatmap | CROSS_ARCH_SUMMARY.csv, McNEMAR.csv |
| 📈 | Walk-Forward — 7-fold çizgi grafik, fold detay tablosu | walkforward_RESULTS.csv |
| 🔬 | BiLSTM Evrim — v1 → v3c → attn_v6 gelişim süreci | 9 adet *_SUMMARY.csv |
| 🔍 | Tahmin Analizi — ŷ histogram, CM, kümülatif doğruluk | 13 *_PREDICTIONS.csv |
| 🧪 | Ablation — Feature grup, tekli özellik, pencere boyutu | 3 *_ablation_RESULTS.csv |
| 🌍 | Cross-Market — BIST vs NASDAQ, sektör analizi | nasdaq_RESULTS.csv, corr_*.csv |
| 🗳️ | Ensemble & Baseline — Voting, rule-based ML, teknik indikatör | ensemble_*.csv, rule_based_*.csv |
| 📐 | İstatistiksel Kanıtlar — MI, label check, YHAT istatistikleri | MI_SCORES.csv, LABEL_CHECK.csv |
| 📊 | Threshold & Diagnostics — Eşik grid heatmap, seed raporu | THRESHOLD_GRID.csv, YHAT_STATS.csv |
| ⚔️ | Karşılaştırma — İki konfigürasyon arasında birebir metrik karşılaştırma | Tüm OPTIMAL.csv |
| 📷 | Ek Görseller — 15 yeni CSV-tabanlı analiz grafiği | 130 CSV'den üretilmiş |
Dashboard'da sahte veri yoktur. Tüm çıktılar
Sonuclar/klasöründeki CSV dosyalarından yüklenmektedir.
| Bulgu | Detay |
|---|---|
| MC Tuzağı Çözümü | 700+ konfigürasyonda MC=0 (class_weight + MC-Aware loss) |
| Anti-Prediktif Davranış | THYAO 15/15 anti-prediktif (p < 0.0001), 7/21 BIST hissesinde tespit |
| 21 Hisse Genellenebilirlik | Havacılık + spekülatif + emtia + sigorta sektörlerinde yaygın; bankacılık/otomotiv/holdingde yok |
| Mimariden Bağımsız | BiLSTM×2, GRU, Conv1D, TCN, Transformer, SimpleRNN — 7 mimaride aynı örüntü |
| Pencere Uzunluğu Etkisi | IN_LEN ≤ 5 → anti-prediktif; IN_LEN = 10 → kayboluyor (temporal resolution) |
| Walk-Forward v2 | 7-fold CV × 7 mimari × 3 seed — Fold 2 (COVID) ve Fold 7 (enflasyon) dönemlerinde tetikleniyor |
| Mekanizma | Makro korelasyon kırılması (USDTRY: train 0.91 → test 0.41) |
| Makro Değişken Rolü | USDTRY + Oil + TCMB çıkarılınca anti-prediktif tamamen kayboluyor |
| Cross-Market | İncelenen NASDAQ karşılaştırmasında aynı örüntü görülmedi |
| Klasik ML | Rule-based baseline'larda anti-prediktif davranış yok — yalnızca DL'de |
| # | Deney | Açıklama | Konfigürasyon |
|---|---|---|---|
| 1 | BiLSTM v1–v6 | Model evrim süreci (6 versiyon) | 9 × 15 = 135 |
| 2 | Multi-Architecture | 7 DL mimarisi karşılaştırma | 7 × 15 = 105 |
| 3 | Walk-Forward CV v2 | 7-fold temporal CV × 7 mimari × 3 seed (val_data düzeltilmiş) | 147 |
| 4 | Feature Ablation | full_13 vs no_ext_10 + tekli çıkarma | 5 grup × 3 seed |
| 5 | IN_LEN Ablation v2 | Pencere boyutu (2, 5, 10 gün) — OUT_LEN=3, gerçek TCMB | 3 × 15 = 45 |
| 6 | Cross-Market | BIST THYAO vs NASDAQ AAPL | 4 |
| 7 | Multi-Stock | BIST-3 (banka) + BIST-5 (holding) + BIST-5 (sigorta) + BIST-11 (makro) | 204 |
| 8 | Ensemble | Hard + Soft Voting (7 mimari) | 8 |
| 9 | Rule-Based Baseline | DecisionTree, RF, LR, OneR × 3 varlık | 12 |
| 10 | Teknik İndikatörler | SMA, EMA, RSI, MACD, BBand, Stoch, CCI, WilliamsR, ADX, ROC | 11 |
| 11 | Threshold Grid | Olasılık eşik optimizasyonu (0.30–0.70) | 135 |
| Grup | Varlıklar | Anti-Prediktif? |
|---|---|---|
| BIST — Havacılık | THYAO, PGSUS | ✅ TAM (15/15) |
| BIST — Spekülatif | SASA, HEKTS | ✅ TAM (15/15) |
| BIST — Emtia/Demir-Çelik | KRDMD | ✅ GÜÇLÜ (13/15) |
| BIST — Otomotiv/Ticaret | FROTO, DOAS | ❌ Normal |
| BIST — Bankacılık | YKBNK, ISCTR, AKBNK, GARAN | ❌ Normal (Naive üstü) |
| BIST — Çeşitli | TAVHL, KOZAL | ➖ Nötr |
| BIST — Sigorta | AGESA, AKGRT, ANSGR, RAYSG, TURSG | (Sektörel test) |
| BIST — Holding | ALARK, DOHOL, ENKAI, KCHOL, SAHOL | (Sektörel test) |
| NASDAQ | AAPL | ❌ Normal |
| BES Fonları | ALZ, AZS, AMZ | (Fon testi) |
MCAware/
├── app.py # Streamlit dashboard (12 tab, TR/EN)
├── requirements.txt # Python bağımlılıkları
├── Dockerfile # Docker container
├── README.md # Bu dosya
├── Kodlar/ # 61 aktif kod dosyası (R + Python + PowerShell)
│ ├── 01_prototypes/ # BiLSTM v1-v6 ve multi-architecture deneyleri
│ ├── 02_ablation/ # Feature, IN_LEN ve korelasyon analizleri
│ ├── 03_validation/ # Walk-forward, NASDAQ ve multi-stock doğrulaması
│ ├── 04_baseline/ # Klasik ML ve ensemble karşılaştırmaları
│ ├── 05_diagnostic/ # MI ve tanı testleri
│ ├── 06_ek_deneyler/ # Sektörel karşılaştırmalar
│ └── 07_araclar/ # Analiz ve raporlama araçları
├── Sonuclar/ # 130 CSV dosyası
│ ├── summaries/ (71) # Deney özet tabloları
│ ├── predictions/ (19) # Ham tahmin serileri
│ ├── diagnostics/ (26) # İstatistiksel tanı verileri
│ └── thresholds/ (14) # Eşik grid sonuçları
├── Gorseller/ # Makale kalitesinde grafikler (PNG)
├── Docs/ # Dashboard ve kişisel araştırma raporu
└── Archive/ # Tarihsel başvuru materyalleri
git clone https://github.com/kuurtali/MCAware.git
cd MCAware
pip install -r requirements.txt
streamlit run app.pydocker build -t mcaware .
docker run -p 8501:8501 mcawareRscript Kodlar/01_prototypes/mcaware_prototype_BiLSTM_v3_THYAO.RModel eğitimi donanıma bağlı olarak 45-60 dakika sürebilir.
Not: R deneyleri
ALZ_AZS_AMZ_Haftalik.xlsxveri dosyasını gerektirir. Bu dosya gizlilik nedeniyle repoya dahil edilmemiştir.
This project investigates the Majority Class (MC) trap in deep learning models for daily stock direction prediction on BIST (Borsa Istanbul).
After solving the MC trap with class_weight=balanced, we discovered that DL models exhibit anti-predictive behavior — systematically predicting the opposite direction — associated with macroeconomic correlation changes between training and test periods.
| Finding | Detail |
|---|---|
| MC Trap Solved | 700+ configs achieve MC=0 |
| Anti-Predictive | 7/21 BIST stocks anti-predictive; THYAO 15/15 (p < 0.0001) |
| Architecture-Independent | 7 DL architectures — all show same pattern in walk-forward |
| Window Length | IN_LEN ≤ 5 → anti-predictive; IN_LEN = 10 → normal |
| Mechanism | Macro-variable correlation breakdown (USDTRY: train 0.91 → test 0.41) |
| Cross-Market | The tested NASDAQ comparison did not show the same pattern |
| Feature Ablation | Removing macro variables completely eliminates anti-predictive behavior |
Live Dashboard: mcaware.streamlit.app — 12 tabs, 130 CSV sources, 62 visuals, no mock data.
| Proje | Açıklama |
|---|---|
| Direction Forecasting BIST-BES | ARIMA vs LSTM vs 1D-CNN — majority class illüzyonu |
| VOL1 — ADAS Pricing Paradox | 100K poliçe, Poisson + Gamma GLM |
| VOL2 — ADAS Pricing Paradox | 200K poliçe, interaction terms, Gini Index |
| Actuarial Shiny Dashboard | Logistic GLM + R Shiny risk skorlama |
Tüm sonuçlar gerçek deneylerden elde edilmiştir. Yatırım tavsiyesi değildir.
MC-AWARE · Independent Research · 2026