Bilgi Paketi / Ders Kataloğu
| Ders Kodu | : İKT386 |
| Ders Türü | : Seçmeli |
| Ders Grubu | : Lisans |
| Eğitim Dili | : Türkçe |
| Staj Durumu | : Yok |
| Teori | : 3 |
| Uyg. | : 0 |
| Kredi | : 3 |
| Laboratuvar | : 0 |
| AKTS | : 5 |
Bu dersin amacı, öğrencilerin yapay zekâ, makine öğrenmesi ve veri analitiği yöntemlerini finansal yatırım kararlarıyla ilişkilendirebilmesini sağlamaktır. Ders kapsamında öğrencilerin; finansal veri kaynaklarını tanıması, piyasa verilerini analiz etmesi, algoritmik karar destek sistemlerini değerlendirmesi, yapay zekâ destekli yatırım stratejilerini anlaması ve risk-getiri perspektifiyle yatırım kararlarını yorumlayabilmesi hedeflenir. Ders ayrıca öğrencilerin hisse senedi, yatırım fonu, döviz, emtia, kripto varlıklar ve portföy yönetimi gibi alanlarda yapay zekâ uygulamalarını değerlendirmesine odaklanır. Öğrencilerin ders sonunda yapay zekâ destekli finansal analiz araçlarını eleştirel biçimde kullanabilmesi, model çıktılarının sınırlılıklarını kavrayabilmesi ve etik, güvenlik ve regülasyon boyutlarını dikkate alarak yatırım analizi yapabilmesi amaçlanır.
Bu ders; finansal piyasalarda yapay zekâ kullanımı, finansal veri okuryazarlığı, makine öğrenmesine giriş, yatırım tahmin modelleri, doğal dil işleme, haber ve sosyal medya duyarlılık analizi, algoritmik işlem stratejileri, robo-danışmanlık, portföy optimizasyonu, risk yönetimi, model performans ölçümü, açıklanabilir yapay zekâ, etik, veri güvenliği ve finansal regülasyon konularını kapsar. Ders süresince öğrenciler, finansal verileri yapay zekâ destekli araçlarla analiz etmeyi, yatırım stratejilerinde veri temelli karar verme süreçlerini değerlendirmeyi ve yapay zekâ modellerinin yatırım kararlarındaki fırsatlarını ve sınırlılıklarını yorumlamayı öğrenir.
| 1. | Yapay zekâ, makine öğrenmesi ve veri analitiği kavramlarını finansal yatırım kararlarıyla ilişkilendirebilir. |
| 2. | Finansal piyasalarda kullanılan veri türlerini tanıyabilir ve veri kalitesinin yatırım modelleri üzerindeki etkisini değerlendirebilir. |
| 3. | Yapay zekâ destekli finansal tahmin, duyarlılık analizi ve algoritmik işlem yaklaşımlarını açıklayabilir. |
| 4. | Hisse senedi, fon, döviz, emtia ve kripto varlık gibi yatırım araçlarını yapay zekâ destekli analiz perspektifiyle değerlendirebilir. |
| 5. | Yapay zekâ destekli portföy oluşturma, risk yönetimi ve performans değerlendirme süreçlerini yorumlayabilir. |
| 6. | Yapay zekâ destekli yatırım modellerinin etik, güvenlik, regülasyon, açıklanabilirlik ve model riski boyutlarını analiz ederek profesyonel bir yatırım raporu hazırlayabilir. |
| 1. | Karan, M. B. Yatırım Analizi ve Portföy Yönetimi. Ankara: Gazi Kitabevi. |
| 2. | López de Prado, M. Advances in Financial Machine Learning. Wiley. |
| 3. | Bodie, Z., Kane, A., & Marcus, A. J. Investments. McGraw-Hill Education. |
| 4. | Chan, E. P. Machine Trading: Deploying Computer Algorithms to Conquer the Markets. Wiley. |
| Değerlendirme Türü | Adet | Yüzde |
|---|---|---|
| Uygulama | 15 | %15 |
| Sunum | 15 | %5 |
| Ödev | 1 | %10 |
| Kısa Sınav (Quiz) | 1 | %10 |
| Ara Sınav (Vize) | 1 | %20 |
| Dönem Sonu Sınavı (Final) | 1 | %40 |
| Etkinlik | Sayısı | Ön Hazırlık | Süre | Toplam Iş Yükü (Saat) |
|---|---|---|---|---|
| Kuramsal Ders | 1 | 0 | 35 | 35 |
| Uygulamalı Ders | 1 | 0 | 20 | 20 |
| Ödev | 1 | 2 | 4 | 6 |
| Sunum | 1 | 0 | 20 | 20 |
| Uygulama Sınavı | 1 | 0 | 10 | 10 |
| Kısa Sınav | 1 | 4 | 4 | 8 |
| Ara Sınav | 1 | 1 | 9 | 10 |
| Dönem Sonu Sınavı | 1 | 0 | 20 | 20 |
| TOPLAM İŞ YÜKÜ (Saat) | 129 | |||
PÇ-1 | PÇ-2 | PÇ-3 | PÇ-4 | PÇ-5 | PÇ-6 | PÇ-7 | |
OÇ-1 | 4 | 4 | 5 | 4 | 4 | 4 | 4 |
OÇ-2 | 5 | 3 | 5 | 5 | 5 | 5 | 5 |
OÇ-3 | 5 | 4 | 5 | 5 | 5 | 5 | 5 |
OÇ-4 | 3 | 5 | 5 | 3 | 3 | 3 | 3 |
OÇ-5 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
OÇ-6 | 5 | 4 | 4 | 5 | 4 | 5 | 5 |