Geri Dön

Bridging causal discovery and graph neural networks: a comparative perspective

Nedensel keşif ve çizge sinir ağları arasındaki köprü: Karşılaştırmalı bir bakış açısı

PDF İndir

  1. Tez No: 999347
  2. Yazar: MUHAMMED ÖMER TAYLAN
  3. Danışmanlar: DOÇ. DR. SEFER BADAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Finansal piyasalar, doğrusal olmayan dinamikler sergileyen, çok sayıda heterojen bilginin etkileşimiyle şekillenen ve zaman içinde evrilen karmaşık uyarlanabilir sistemler olarak ele alınmaktadır. Bu sistemlerde varlık fiyatları yalnızca bireysel özellikleri tarafından değil; aynı zamanda varlıklar arasındaki çok boyutlu, zamana bağlı ve çoğu zaman örtük karşılıklı etkileşimler tarafından belirlenmektedir. Ancak geleneksel istatistiksel modeller ile yaygın olarak kullanılan makine öğrenmesi yaklaşımlarının önemli bir bölümü doğrusal ilişki, durağanlık ve bağımsızlık gibi güçlü varsayımlara dayanmaktadır. Bu varsayımlar, finansal piyasaların yapısal kırılmalar, rejim değişimleri ve ani şoklar içeren doğasıyla çoğu zaman uyumsuzdur ve dolayısıyla bu yöntemlerin karmaşık ilişkisel dinamikleri yeterince temsil edebilmesini sınırlandırmaktadır. Bu bağlamda, Çizge Sinir Ağları (ÇSA), finansal sistemleri oluşturan varlıklar arasındaki ilişkisel yapıyı açık bir biçimde modelleyebilme yetenekleri sayesinde, son yıllarda finans literatüründe giderek daha fazla ilgi görmektedir. ÇSA'lar, düğümler ve kenarlar üzerinden bilgi yayılımını mümkün kılarak, hem yerel hem de küresel etkileşimlerin hiyerarşik bir biçimde öğrenilmesine olanak tanımaktadır. Bu özellikleriyle doğrusal olmayan ve yüksek derecede bağlantılı finansal ekosistemlerin temsili için güçlü bir paradigma sunmaktadır. Bununla birlikte, mevcut çalışmaların önemli bir kısmı çizge yapısını inşa ederken varlıklar arasındaki ilişkileri tanımlamak amacıyla Pearson korelasyon katsayısı gibi korelasyon temelli ölçütlere dayanmaktadır. Bu yaklaşım varlıklar arasındaki simetrik birlikte-hareketleri yani eş hareketliliği yakalamada etkili olsa da, ilişkilerin altında yatan nedensel veya yönlü etki mekanizmalarını ortaya koymakta yetersiz kalmaktadır. Özellikle küresel piyasa duyarlılığı, likidite koşulları veya ortak makroekonomik faktörler tarafından eş zamanlı olarak etkilenen varlıklar arasında ortaya çıkan sahte korelasyonlar gerçek etkileşimlerle ayırt edilememektedir. Bu durum çizge yapılarında yüksek derecede bağlantılı, yoğun ve gürültülü ağların oluşmasına yol açmakta; söz konusu ağlar ise hem hesaplama maliyetlerini artırmakta hem de ÇSA modellerinin ayırt edici örüntüleri öğrenme kapasitesini olumsuz yönde etkilemektedir. Dolayısıyla finansal piyasalarda ilişkisel yapının daha anlamlı, seyrek ve yönlü biçimde temsil edilmesine yönelik alternatif grafik kurulum stratejilerine duyulan ihtiyaç hem teorik hem de uygulamalı açıdan giderek daha belirgin hale gelmektedir. Bu tez, finansal piyasalarda varlıklar arasındaki ilişkilerin yalnızca istatistiksel eş-hareketlilikle değil, yönlü ve nedensel etkileşimler çerçevesinde modellenmesi gerektiği varsayımından hareketle, Nedensel Keşif yöntemleri ile ÇSA'ları bütünleştiren özgün bir finansal tahmin çerçevesi önermektedir. Önerilen yaklaşım, literatürde sıklıkla göz ardı edilen yönlülük ve nedensellik boyutlarını grafik yapısının merkezine alarak korelasyon temelli yöntemlerin yol açtığı metodolojik sınırlılıkları aşmayı amaçlamaktadır. Bu bağlamda tez, hem çizge kurulum sürecine hem de bu çizgeler üzerinde gerçekleştirilen öğrenme mekanizmalarına nedensel bilgi entegre ederek daha anlamlı, seyrek ve yorumlanabilir topolojilerin elde edilmesini hedeflemektedir. Çalışmada, yüksek boyutlu ve çok değişkenli finansal zaman serilerinden yönlü bir çizge ağı türetmek amacıyla, modern nedensel keşif literatüründe yaygın olarak kullanılan PCMCI (Peter–Clark Momentary Conditional Independence) algoritmasından yararlanılmıştır. PCMCI, geniş değişken kümelerinde nedensel ilişkilerin keşfini mümkün kılmak üzere tasarlanmış olup, zaman gecikmeli bağımlılıkları dikkate alan hibrit bir yapı sunmaktadır. Algoritma, öncelikle PC tabanlı bir değişken seçimi adımı ile olası ebeveyn kümelerini daraltmakta, ardından momentary conditional independence testleri aracılığıyla birden fazla zaman gecikmesi boyunca koşullu bağımsızlıkları sistematik ve titiz bir biçimde sınamaktadır. Bu yaklaşım, dolaylı nedensel etkilerin, ortak nedenlerden kaynaklanan sahte ilişkilerin ve zaman serilerine özgü otokorelasyon kaynaklı yanlılıkların etkin biçimde ayıklanmasını sağlamaktadır. Elde edilen yönlü ve gecikmeli nedensel grafik yapıları, daha sonra ÇSA mimarilerine doğrudan entegre edilerek, bilgi yayılımının yalnızca istatistiksel olarak anlamlı değil, aynı zamanda nedensel olarak tutarlı bağlantılar üzerinden gerçekleştirilmesi sağlanmaktadır. Geleneksel Graph Convolutional Network yaklaşımları, komşu düğümlerden gelen bilgiyi sabit ve eşit ağırlıklarla birleştirdiğinden, finansal piyasalara özgü heterojen ve gürültülü çizge yapılarında ayırt edici ilişkisel bilgilerin zayıflamasına neden olabilmektedir. Buna karşılık, GAT mimarisi dikkat mekanizmaları aracılığıyla her bir düğümün komşularını bilgilendiricilik düzeylerine göre seçici biçimde ağırlıklandırmasına olanak tanımaktadır. Bu seçici komşu odaklanma mekanizması, alakasız veya zayıf bağlantıların etkisini azaltarak bilgi yayılımının daha anlamlı ve kararlı biçimde gerçekleşmesini sağlamaktadır. Özellikle yönlü ve nedensel olarak türetilmiş çizge topolojileri üzerinde, GAT mimarisinin sunduğu esneklik, karmaşık ilişkisel örüntülerin daha ifade gücü yüksek temsillerle öğrenilmesine katkı sağlamaktadır. Bu nedenlerle, çalışmada finansal piyasa dinamiklerini daha etkin biçimde yakalayabilmek amacıyla GAT tabanlı bir yaklaşım tercih edilmiştir. Karmaşık ve doğrusal olmayan piyasa dinamiklerini daha etkin biçimde temsil edebilmek amacıyla, çalışmada zengin ve çok yönlü bir özellik kümesi tasarlanmıştır. Bu kapsamda, getirilerin ortalama, varyans, çarpıklık ve basıklık gibi istatistiksel momentlerine ek olarak, Fourier ve dalgacık tabanlı spektral analiz bileşenleri kullanılarak zaman serilerinin frekans alanındaki karakteristikleri de modele dahil edilmiştir. Buna ek olarak, piyasa momentumunu ve trend dinamiklerini yansıtmak amacıyla Göreli Güç Endeksi (RSI), Hareketli Ortalama Yakınsama–Iraksama (MACD) gibi yaygın teknik göstergeler hesaplanmış ve özellik setine entegre edilmiştir. Modelin eğitimi öncesinde, farklı ölçek ve dağılımlara sahip bu özelliklerin öğrenme sürecini olumsuz etkilemesini önlemek amacıyla tüm girdiler uygun biçimde standartlaştırılmıştır. Böylece, ÇSA'nın hem zamansal hem de ilişkisel örüntüleri daha dengeli ve kararlı bir biçimde öğrenmesi hedeflenmiştir. Sonuç olarak önerilen çerçeve, nedensel keşif ile derin öğrenme tabanlı çizge modellerini bütünleştirerek, finansal tahmin problemlerinde hem performans hem de yapısal yorumlanabilirlik açısından önemli bir katkı sunmayı amaçlamaktadır. Önerilen yöntem, Ocak 2020–Aralık 2024 dönemini kapsayan ve S&P 500 endeksi bileşenlerinden oluşan geniş kapsamlı bir veri kümesi üzerinde ampirik olarak değerlendirilmiştir. Analizlerde, nedensel keşif tabanlı yönlü çizge yapıları kullanan önerilen yaklaşım; Pearson korelasyon katsayısına dayalı, yönsüz ve yoğun grafikler ile inşa edilen geleneksel temel yöntemlerle karşılaştırmalı olarak ele alınmıştır. Bu dönem, farklı piyasa rejimlerini ve yüksek oynaklık evrelerini içermesi bakımından, yöntemin değişen piyasa koşulları altındaki performansını incelemek için uygun bir deneysel ortam sunmaktadır. İleriye dönük bilgi sızıntısını (look-ahead bias) önlemek ve gerçekçi bir performans değerlendirmesi sağlamak amacıyla, veri kümesi zamansal bütünlük korunarak katı biçimde ayrıştırılmıştır. Bu kapsamda 2020–2022 yılları modelin eğitimi için kullanılmış, 2023 yılı hiperparametre ayarlamaları ve model seçimi süreçlerini içeren doğrulama aşamasına ayrılmıştır. Nihai performans değerlendirmesi ise, modelin daha önce hiç görmediği 2024 yılı verileri üzerinde gerçekleştirilmiştir. Model performansı, finansal tahmin problemlerinde farklı zaman ölçeklerinin önemini dikkate alacak şekilde 1, 7, 15 ve 30 günlük çeşitli tahmin ufukları altında analiz edilmiştir. Buna ek olarak, çizge yapısının seyrekliği ve bağlantısallık düzeyinin model çıktıları üzerindeki etkisini incelemek amacıyla farklı bağlantısallık eşikleri altında deneyler yürütülmüştür. Değerlendirme süreci, hem regresyon görevleri kapsamında gelecek dönem fiyat ve getiri tahminlerini hem de sınıflandırma görevleri kapsamında fiyat hareket yönünün tahminini içerecek biçimde gerçekleştirilmiştir. Deneysel bulgular, nedensellik temelli ÇSA çerçevesinin korelasyon-temelli modellere kıyasla tutarlı biçimde daha yüksek kestirim doğruluğu sağladığını; daha düşük Ortalama Mutlak Hata (MSE) ve daha yüksek F1-skorları ile karakterize edilen üstün bir performans sergilediğini göstermektedir. Bu performans avantajı özellikle orta vadeli tahmin ufuklarında belirginleşmektedir; örneğin, 30 günlük ufukta ve yüksek filtreleme eşiği (0,9) altında nedensel model, korelasyon temel yaklaşımına kıyasla anlamlı ölçüde daha düşük MSE elde etmiştir. Topolojik analizler, nedensel grafiklerin korelasyon grafiklerine göre belirgin şekilde daha seyrek olduğunu ortaya koymaktadır; nitekim 0,7 eşiğinde yoğunluk değerleri 0,0078'e karşılık 0,022 düzeyinde gerçekleşmiş ve bu durum nedensel grafiğin gelişkin bir gürültü süzgeci işlevi gördüğünü göstermiştir. Bu yapısal seyrekleşme, derin ÇSA mimarilerinde“aşırı düzleştirme”riskini azaltarak bilginin yalnızca istatistiksel açıdan en anlamlı yollar boyunca yayılmasına imkân tanımaktadır. Ayrıca, nedensel grafiklerin daha düşük spektral yarıçapı ve belirgin ayrışımsallık örüntüleri, modelin benzer hisseleri yalnızca kümelendirmek yerine, öncü göstergelerden gecikmeli varlıklara doğru bilgi akışını yakalamada başarılı olduğuna işaret etmektedir. Sonuç olarak bu çalışma, yapısal bir öncül olarak nedensel akıl yürütmenin modele dâhil edilmesinin, finansal piyasa tahmininde derin öğrenme modellerinin sağlamlığını ve doğruluğunu anlamlı ölçüde artırdığını ortaya koymaktadır.

Özet (Çeviri)

Financial markets constitute complex adaptive systems distinguished by non-linear behaviors and multifaceted, temporally evolving interconnections between assets. While traditional machine learning and statistical models often struggle to capture these dynamics due to assumptions of linearity and stationarity, Graph Neural Networks (GNNs) have emerged as a powerful paradigm for modeling the relational structure of financial ecosystems. However, existing research predominantly relies on correlation-based graph constructions, such as Pearson correlation coefficients, to define edges between assets. These approaches capture symmetric co-movements but fail to distinguish genuine directional influence from spurious associations driven by global market sentiment or common macroeconomic factors. This limitation often leads to dense, noisy graph structures that hinder the learning capability of neural networks. This thesis addresses this methodological gap by proposing a novel financial forecasting framework that integrates Causal Discovery with GNN to construct and learn from directionally meaningful graph topologies. The study employs the PCMCI (Peter-Clark Momentary Conditional Independence) algorithm to infer causal graph high-dimensional time series data. By rigorously testing conditional independencies across multiple time lags, PCMCI effectively filters out indirect effects and spurious autocorrelations, thereby identifying robust causal pathways. To capture complex market dynamics, a diverse set of features—including statistical moments, spectral analysis, and technical indicators like RSI and MACD—was engineered and standardized for the model input. The proposed framework is evaluated against traditional correlation-based baselines using a comprehensive dataset of S&P 500 constituents spanning the period from January 2020 to December 2024. To prevent look-ahead bias and ensure realistic performance assessment, the data is strictly partitioned into training (2020–2022), validation (2023), and testing (2024) sets. The model's performance is systematically assessed across both regression tasks (predicting future close prices and returns) and classification tasks (predicting directional price movement) under varying forecasting horizons (1, 7, 15, and 30 days) and connectivity thresholds. Empirical results demonstrate that the causal-based GNN framework consistently yields superior predictive accuracy, characterized by lower MSE and higher F1-scores compared to correlation-based models. This performance advantage is most pronounced at medium-term horizons; for instance, at the 30-day horizon with a high filtering threshold (0.9), the causal model achieved a significantly lower MSE compared to the correlation baseline. Topological analysis reveals that causal graphs are significantly sparser than correlation graphs—exhibiting much lower density (0.0078 vs. 0.022 at the 0.7 threshold)—effectively acting as a sophisticated noise filter. This structural sparsity mitigates the risk of“over-smoothing”in deep GNN architectures, allowing the model to propagate information along the most statistically significant pathways. Furthermore, the lower spectral radius and distinct assortativity patterns of the causal graphs suggest that the model successfully captures information flow from leading indicators to lagging assets rather than merely clustering similar stocks. This research concludes that incorporating causal reasoning as a structural prior significantly enhances the robustness, and accuracy of deep learning models in financial market forecasting

Benzer Tezler

  1. Tez No

    944360

    Network analysis of co-search-based investor attention on stock prices

    Ortak arama tabanlı yatırımcı dikkatinin hisse senedi fiyatları üzerindeki ağ analizi

    MÜGE ÖZDEMİR

    Doktora

    İngilizce

    İngilizce

    2025

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. OKTAY TAŞ

  2. Tez No

    1004728

    Glioblastoma progresyonunda bağırsak mikrobiyotası: Meta-analiz ve yolak analizi

    Gut microbiota in glioblastoma progression: Meta-analysis and pathway analysis

    CEYDA MİLAS

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    GenetikBahçeşehir Üniversitesi

    Doku Mühendisliği ve Rejeneratif Tıp Ana Bilim Dalı

    DOÇ. DR. TİMUÇİN AVŞAR

  3. Tez No

    363633

    Ruling IM/Material uncertainties: Visual rules in digital fabrication processes

    Dijital üretim süreçlerinin görsel şemaları

    ZEYNEP AKKÜÇÜK KIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    DOÇ. DR. MİNE ÖZKAR KABAKÇIOĞLU

  4. Tez No

    756211

    KOBİlerin uluslararasılaşma sorunsalı

    Internationalization problem of SMEs

    MAHMOOD ABED HASAN ALFAHDAWI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İşletmeİstanbul Gedik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. AHMET KESİK

  5. Tez No

    991050

    Depremde imal edilmiş riskler karşısında bireylerin mücadele kapasitesinin anlaşılmasına yönelik bir derin öğrenme modeli denemesi

    A trial of a deep learning model to understand individuals' coping capacities against manufactured risks in the earthquake

    SERKAN COŞKUN

    Doktora

    Türkçe

    Türkçe

    2026

    SosyolojiHacettepe Üniversitesi

    Sosyoloji Ana Bilim Dalı

    PROF. DR. MELİHA DEMET ULUSOY

Geri Dön