Akusta, Ahmet
Loading...
Profile URL
Name Variants
Akusta, A.
Job Title
Email Address
aakusta@ktun.edu.tr
Main Affiliation
01. Konya Technical University
Status
Current Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID
Sustainable Development Goals
SDG data is not available
This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.
Scholarly Output
17
Articles
15
Views / Downloads
2/2
Supervised MSc Theses
0
Supervised PhD Theses
0
WoS Citation Count
3
Scopus Citation Count
3
WoS h-index
1
Scopus h-index
1
Patents
0
Projects
0
WoS Citations per Publication
0.18
Scopus Citations per Publication
0.18
Open Access Source
12
Supervised Theses
0
Google Analytics Visitor Traffic
| Journal | Count |
|---|---|
| Abant Sosyal Bilimler Dergisi | 1 |
| Contributions to Fice and Accounting | 1 |
| Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi | 1 |
| Fiscaoeconomia | 1 |
| Iğdır Üniversitesi Sosyal Bilimler Dergisi | 1 |
Current Page: 1 / 4
Scopus Quartile Distribution
Competency Cloud
17 results
Scholarly Output Search Results
Now showing 1 - 10 of 17
Article Impact of Operational and Financial Efficiency on Aviation Stock Prices: A Machine Learning Model with SHAP Interpretability(2025) Akusta, AhmetBu çalışma, bir makine öğrenimi yaklaşımı kullanarak, operasyonel ve finansal verimlilik ölçütlerinin havacılık sektöründeki hisse senedi fiyatlarını nasıl etkilediğini incelemektedir. SHapley Additive exPlanations (SHAP) ile geliştirilmiş bir CatBoost regresyon modeli, 2015-2023 yılları arasında 65 küresel havacılık şirketinden toplanan veriler kullanılarak geliştirilmiştir. Model, Mevcut Koltuk Kilometre Başına Toplam Gelir (ASM), Yolcu Yük Faktörü, likidite oranları ve borç-varlık oranları dahil olmak üzere çeşitli operasyonel ve finansal göstergelere dayalı olarak hisse senedi fiyatlarını tahmin etmektedir. Bulgular, özellikle ASM başına Toplam Gelir ve Yolcu Yük Faktörü gibi operasyonel verimlilik ölçütlerinin havacılık sektöründeki hisse senedi fiyatlarının tahmininde önemli bir rol oynadığını göstermektedir. Hızlı oran ve borç varlık oranı gibi finansal ölçütler de modele katkıda bulunmakta ancak operasyonel faktörlere kıyasla ikincil bir etkiye sahip görünmektedir. SHAP değerleri, modelin tahminleri hakkında yorumlanabilir bilgiler sağlayarak farklı özelliklerin göreceli öneminin daha iyi anlaşılmasına olanak tanımıştır. Ayrıca çalışmanın bulguları, operasyonel ve finansal metriklerin hisse senedi fiyatlarına yansıdığını göstererek, Etkin Piyasa Hipotezi'nin (EPH) yarı-güçlü formunu desteklemektedir. Bu sonuçlar, finansal sağlık önemini korusa da, daha yüksek operasyonel verimlilik gösteren havacılık şirketlerinin olumlu borsa performansı için daha iyi konumlandırılabileceğini göstermektedir. Bu çalışma, operasyonel ve finansal ölçütleri bir makine öğrenimi çerçevesine entegre ederek havacılık sektöründe hisse senedi fiyat tahmini için kapsamlı ve yorumlanabilir bir model sunarak mevcut literatüre katkıda bulunmaktadır.Article Time Series Analysis of Long-Term Stock Performance of Airlines: the Case of Turkish Airlines(2024) Akusta, AhmetThis study presents a time series analysis of the long-term stock performance of airlines, with a focus on Turkish Airlines (THY). Stock-related variables were obtained from the Istanbul Stock Exchange, and other variables were obtained from the Turkish Statistical Institute. The research investigates various economic factors that may influence THY's stock prices over an extended period. Specifically, the study examines the relationship between global energy prices, inflation, the BIST100 index, gold prices, exchange rates, and THY stock prices. The analysis employs the Autoregressive Distributed Lag (ARDL) approach, a versatile technique capable of estimating both short-term and long-term relationships between variables. The findings of this research reveal significant and statistically meaningful connections between these economic variables and THY's stock prices. Notably, the study highlights the impact of global energy prices and other economic factors on the long-term stock performance of Turkish Airlines. These results provide valuable insights for investors and analysts seeking to understand and forecast THY's stock price movements.Article Dow Jones Endeksinin İleri Zaman Serisi Analizi: Ceemdan Ayriştirmasi Kullanilarak Yapilan Kapsamli Bir Çalişma(2024) Akusta, AhmetBu çalışma, Tam Topluluk Ampirik Mod Ayrıştırması (CEEMDAN) ile Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) modelini entegre ederek yenilikçi bir finansal zaman serisi analizi yaklaşımı sunmaktadır. Araştırmanın birincil katkısı, büyük hisse senedi endekslerini yöneten dinamiklerin tahmin doğruluğunu ve anlaşılmasını arttırmaktır. Daha önce bu alanda kapsamlı bir şekilde kullanılmayan CEEMDAN, karmaşık finansal zaman serilerini uyarlamalı olarak içsel mod fonksiyonlarına (IMF'ler) ayrıştırmak için yenilikçi bir şekilde uygulanmıştır. CEEMDAN'ın karmaşık finansal zaman serilerini uyarlanabilir bir şekilde IMF'lere ayrıştırma yeteneği, ARIMAX'ın tarihsel eğilimlerin ve dış faktörlerin etkisini hesaba katan tahmin yeterliliği ile birleştirilmiştir. Metodoloji, çeşitli büyük ABD hisse senedi endekslerini dışsal değişkenler olarak içeren kapsamlı Dow Jones Endüstriyel Ortalama (DJIA) analizi ile doğrulanmıştır. Çalışmamız, literatürdeki yüksek performanslı modellerle uyumlu olarak 0,93'lük bir R² skoru sunmaktadır. Bununla birlikte, modelimizin benzersiz gücü, DJIA'nın gecikmesiz tahmininde yatmaktadır. Endeksin volatilitesini ve önemli hareketlerini yüksek doğrulukla yansıtarak finansal uygulamalar için son derece pratik hale getirmektedir.Article Evaluating Machine Learning and Deep Learning Algorithms for Financial Anomaly Detection: A Comparative Study(Statistical Economic and Social Research and, 2025) Akusta, A.; Salur, M.N.; Şahbaz, A.This paper aims to provide a comprehensive comparative analysis of various algorithms for anomaly detection in financial time series data, specifically focusing on Ford Otosan stock, the BIST100 index, and the USD/TRY exchange rate. The study evaluates the performance of algorithms, including Isolation Forest, Single-Class Support Vector Machines, Local Outlier Factor, DBSCAN, KMeans, and Autoencoders, utilizing metrics such as accuracy, precision, recall, and F1 score. These insights contribute to the existing body of knowledge by offering a detailed comparison of machine learning and deep learning techniques, providing valuable implications for risk management and investment strategies. The paper acknowledges the study's limitations, including the relatively short analysis period and the specific set of algorithms used. The findings reveal that KMeans is the most effective model for anomaly detection, demonstrating high accuracy and sensitivity. Isolation Forest and Autoencoders also perform well but have certain limitations. © 2025, Statistical Economic and Social Research and. All rights reserved.Article Tekstil Endüstrisinde Finansal Sıkıntının Tahmini: Meta Modellerin ve Tek Sınıflandırıcıların Karşılaştırmalı Analizi(2025) Gün, Musa; Akusta, AhmetBu çalışma, Türk tekstil sektöründeki finansal sıkıntıları tahmin etmede meta modellerin etkinliğini değerlendirmektedir. Araştırma, 2013'ten 2023'e kadar olan finansal verileri kullanarak Kement, Ridge, Rastgele Orman, Gradyan Arttırma Makineleri (GBM) ve Destek Vektör Makinelerini (DVM) temel modeller olarak entegre eden ve XGBoost'un meta öğrenici olarak hizmet ettiği bir meta model uygulamaktadır. Sonuçlar, meta modelin, özellikle finansal sıkıntının erken tespiti için kritik olan yanlış negatifleri en aza indirmede bağımsız bir XGBoost sınıflandırıcıdan daha iyi performans gösterdiğini göstermektedir. Meta model, tekstil gibi değişken sektörlerde finansal istikrarsızlığı tahmin etmek için daha güvenilir bir araç sunarak üstün hatırlama ve F1 puanları elde etmiştir. Bununla birlikte, çalışma aynı zamanda model seçimi yanlılığı, hiperparametre ayarının karmaşıklığı ve yaklaşımın topluluk doğası nedeniyle yorumlanabilirliğin azalması gibi sınırlamaları da kabul etmektedir. Bulgular, meta modellemenin sektöre özgü finansal risk tahmini için potansiyelini vurgularken, model şeffaflığı ve genelleştirilebilirliğinde gelecekte yapılabilecek iyileştirmelere dair önerilerde bulunmaktadır.Article Derin Öğrenme Tabanlı Fiyat Tahmini ve Algoritmik Ticaret: Bist100 Endeksinde Bir Uygulama(2024) Akusta, Ahmet; Salur, Mehmet NuriBu araştırma, BİST100 endeksinde yer alan hisse senetlerinin alım satımı için derin öğrenme tabanlı metodolojilerin kullanılmasını ele almaktadır. Özellikle, son dönemdeki piyasa dalgalanmaları üzerine yoğunlaşılmıştır. Tahmine Dayalı İşlem Algoritması (TDİA) adı verilen, derin öğrenme esaslı bir işlem algoritması geliştirilmiş ve bu algoritmanın BİST100'de temsil edilen çeşitli sektörlerdeki hisse senedi hareketlerini tahmin etme ve işlem gerçekleştirme başarısı değerlendirilmiştir. Çalışma, Ağustos 2022'den Aralık 2023'e kadar olan ve toplam 270 işlem gününü kapsayan veriler üzerine kuruludur. Algoritmik ticaret, ticaretin yürütülmesinde sağladığı verimlilik, hız ve hassasiyet sayesinde modern finans dünyasında önemli bir yere sahiptir. Özellikle BİST100 gibi dinamik piyasalarda, algoritmik alım satımın önemi, geleneksel stratejilerin hızlı değişimlere ve karmaşıklıklara uyum sağlama konusundaki zorlukları nedeniyle daha da belirginleşmektedir. Bu çalışmada benimsenen metodoloji, geçmiş fiyat, hacim, hisse senedi endeksi ve döviz kuru verilerini kullanarak gelecekteki hisse senedi hareketlerini tahmin etmeye yönelik derin öğrenme modelinin geliştirilmesini ve uygulanmasını kapsamaktadır. Bu model, alım veya satım emirlerini gerçekleştirmek üzere tanımlanmış kurallar seti üzerinde çalışan bir Tahmine Dayalı İşlem Algoritması'nın temelini oluşturmaktadır. Araştırmanın temel bulguları, TDİA'nın seçilen hisse senetlerinde ortalama %15,87 kar ile kayda değer bir başarı elde ettiğini göstermektedir. Bu sonuçlar, algoritmik ticaretin potansiyelini ve derin öğrenme metodolojilerinin finansal piyasalarda kullanımının etkinliğini vurgulamaktadır.Article Firmalarda Sahiplik Yapısı İle Kâr Dağıtım Politikası Arasındaki İlişkinin İncelenmesi: Borsa İstanbul’da Bir Uygulama(2020) Akusta, Ahmet; Salur, Mehmet NuriKâr dağıtım politikası son yıllarda sık araştırılan bir finans konusudur. Kâr dağıtımı kurumsal yönetim ve finansal yönetim açısından oldukça önemlidir. Şirketler için de önemli bir finans kaynağı olabilen dağıtılmamış kârlar, şirketin sahiplik yapısından etkilenmektedir. Sahiplik yapısı ile kâr dağıtım politikası arasındaki ilişkiyi tespit etmek amacıyla BİST 50 Endeksinde kayıtlı şirketlerin 2015-2016-2017 yılları sahiplik yapıları ve finansal verileri incelenmiştir. Gerçekleştirilen panel veri analizi sonuçları ayrıntılı şekilde raporlanmıştır. Elde edilen bulgular BİST 50 endeksinde kayıtlı 2015-2016-2017 yıllarında kâr dağıtımı yapmış şirketlerde sahip yoğunluğu ile kâr dağıtımı arasında negatif yönlü ilişki tespit edilmiştir. ANAHTAR KELİMELER Kâr Dağıtım Politikası, Sahiplik Yapısı, Sahiplik Yoğunluğu, Halka Açıklık Oranı, En Büyük OrtakArticle Deep Learning Enhanced Energy Market Prediction: A Robust ARIMAX–LSTM Fusion for Crude Oil Pricing(Elsevier B.V., 2026) Akusta, Ahmet; Yildirim, Hasan Hüseyin; Gün, Musa; Sakarya, SakirCrude oil is a highly strategic global resource, and price fluctuations significantly impact nearly all economic sectors. Therefore, accurate forecasting of its prices is essential for better financial stability and decision-making. This study aims to develop a robust model using monthly data from April 2004 to January 2024 to predict the price of crude oil. We propose a novel approach that blends ARIMAX and LSTM models using a weighted combination to leverage the strengths of econometric and machine learning methods. Unlike hybrid models, which are solely designed based on a decomposition-optimization structure, in our model, an explicit ensemble with weights via grid searching is used to enhance the model's flexibility and performance. As ARIMAX is more efficient in dealing with linear relationships and exogenous variables, LSTM performs much better and effectively captures nonlinear patterns and long-range dependence. Weight hyperparameter tuning and cross-validation help reduce the risk of overfitting or underfitting in the model. Our empirical results indicate that the LSTM model provides a powerful forecasting baseline. The weighted ensemble model offers a marginal improvement on the chronological test set, and the Diebold-Mariano test confirms this advantage is statistically significant. Cross-validation reveals the standalone LSTM to be highly robust, highlighting the importance of component model selection. This study contributes to a more sophisticated framework for risk assessment in energy policy by revealing the crucial trade-off between a model's period-specific accuracy and its general robustness. © 2025 Elsevier B.V., All rights reserved.Article Makine Öğrenmesinde Sektörel Veri Entegrasyonu: Emlak Gayrimenkul Yatırım Ortaklığı Hisse Senedi Fiyat Tahmini(2025) Akusta, AhmetBu çalışmanın temel amacı, Emlak Konut Gayrimenkul Yatırım Ortaklığı (EKGYO) hisse senedi fiyatlarını tahmin etmek amacıyla sektörel veriler ve gelişmiş makine öğrenimi modellerini kullanmaktır. EKGYO hisse senedi fiyatları ile makroekonomik göstergeler arasındaki güçlü korelasyonlar, genel ekonomik şartların gayrimenkul sektörünün finansal performansı üzerindeki etkilerini gözler önüne sermektedir. Çalışmada, USD/TL kuru, konut fiyat endeksi, yurt içi üretici fiyat endeksi (Yİ-ÜFE) ve ipotekli konut satışları gibi önemli ekonomik göstergeler incelenmiş ve bu göstergeler ile EKGYO hisse senedi fiyatları arasındaki ilişki detaylı bir şekilde analiz edilmiştir. Ampirik bulgular, Kalman Filtresi modelinin en düşük ortalama mutlak hata (MAE), ortalama kare hata (MSE) ve kök ortalama kare hata (RMSE) değerleri ile en yüksek tahmin doğruluğunu sağladığını göstermektedir. Bu durum, Kalman Filtresi modelinin finansal verilerdeki dalgalanmaları yönetebilme ve doğru tahminler sunabilme potansiyelini ortaya koymaktadır. Kalman Filtresi ile karşılaştırıldığında biraz daha yüksek hata oranlarına sahip olmasına rağmen ETS modelinin de iyi bir performans sergilediği görülmüştür. Buna karşın, Neural Prophet modeli, mevsimsellik ve trendleri yakalamaya yönelik gelişmiş tasarımına rağmen, karmaşık finansal veri setlerinde veya kısa vadeli tahminlerde bazı sınırlamaları işaret eden daha yüksek hata oranlarına sahiptir.Book Part Portfolio Management Through Algorithmic Trading(Springer Nature, 2025) Akusta, A.This chapter stresses how algorithmic trading has transformed portfolio management, underscoring the resultant ability to optimize risk-adjusted returns, enhance decision processes, and sustain efficient asset allocation. Advanced computational methods utilized in this research examine algorithmic strategies as a means to address the complexities of today’s financial markets in their ability to handle risk management, diversification, and periodic rebalancing. The results of the optimization of a portfolio consisting of six Nasdaq 100 stocks—Amazon, Apple, AMD, Tesla, Google, and NVIDIA—for ten years, from 2014 to 2024, are shown here. These assets have been selected based on their historical performance and variable risk-return profile as a sample to evaluate algorithmic trading strategies. In this paper, SLSQP is used to optimize the weights of each portfolio according to the Sharpe ratio, with efficient capital allocation considering the realistic constraint of no short-selling on the historical price data. Annual rebalancing was adopted to dampen the drifting of weights and to make the weights given at any period closer to the target weights. The performance of the portfolio is measured concerning the Nasdaq 100 through a set of key metrics: the cumulative return, the annualized return, volatility, and the Sharpe ratio. Hereby, the optimized portfolio gains an annualized return of 46.89% with a cumulative return of 4576.56% throughout the period under review. Although the portfolio demonstrated higher volatility (40.89%) in comparison to the Nasdaq 100, its Sharpe ratio of 1.12 surpassed that of the benchmark (0.90), thereby illustrating superior risk-adjusted performance. The rebalancing process effectively maintained the efficiency of the portfolio, although the concentration of risk in high-growth assets, such as NVIDIA, was brought to light. The findings highlight the inherent trade-offs between return maximization and risk management, offering valuable insights for investors, practitioners, and policymakers. © The Author(s), under exclusive license to Springer Nature Switzerland AG 2025.
