Finansal piyasalarda teknik analiz, çoğu zaman doğrusal (lineer) yaklaşımlarla sınırlandırılır: basit trend çizgileri, hareketli ortalamalar, regresyon kanalları… Ancak piyasalar, doğası gereği doğrusal olmayan (non-linear) davranışlar sergiler.

İşte tam bu noktada polinomsal regresyon (Polynomial Regression) devreye girer. Bu yöntem, fiyat serisini eğri formunda modelleyerek daha esnek ve gerçekçi trend yorumları sunar.

Bu yazıda polinomsal regresyonun ne olduğu, nasıl hesaplandığı, finansal grafikte nasıl kullanıldığı ve hangi durumlarda işe yaradığı detaylı şekilde anlatılacaktır.

---

Polinomsal Regresyon Nedir?

Polinomsal regresyon, bağımlı bir değişkeni (örneğin kapanış fiyatı) zamana karşı bir polinom fonksiyonu ile modellemeye çalışan istatistiksel bir tekniktir.

Genel Form:

• y: Tahmin edilen fiyat
• x: Zaman (örneğin bar numarası)
• n: Polinomun derecesi (2: parabol, 3+: eğri)

---

Polinomsal Regresyonun Teknik Analizde Kullanım Amaçları

---

Hangi Derece Ne Anlama Gelir?

Uyarı: Polinom derecesi yükseldikçe overfitting riski artar. Dengeli seçim yapılmalıdır.

---

Polinomsal Regresyon Nasıl Yorumlanır?

1. Yukarı eğimli eğri: Alım yönlü momentum vardır.
2. Aşağı eğimli eğri: Satış baskısı hâkimdir.
3. Eğrinin iç bükeyliği değişiyorsa: Trend dönüşü yakın olabilir.
4. Fiyat, eğriden çok sapıyorsa: Aşırı alım/satım durumu oluşmuş olabilir.

---

Polinomsal Regresyon ile Teknik Analize Uygulama Örnekleri

1 Parabolik Trend Tahmini (n=2)

Dipten dönen bir hisse senedinde, fiyatlar ikinci derece eğriyle modellenirse yukarı kıvrılan bir parabol çizilir → trend dönüşü teyit edilmiş olabilir.

2 Elliott Dalga Tahmini (n=3–4)

Fiyatın düşük-dalga-yüksek-dalga yapısı, 3. veya 4. derece bir eğriyle oldukça yakın şekilde yakalanabilir.

3 Aşırı Bölge Belirleme (n=2+)

Eğri ile gerçek kapanış fiyatı arasındaki farkın standardize edilmiş hali (Z-score gibi) aşırılık göstergesi olabilir.

---

Polinomsal Regresyon ile Kodlama (Python Örneği)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# --- Veriyi Yükle ---
df = pd.read_excel("your_stock_data.xlsx")

# "DATE" sütunu tarih formatına çevrilsin
df["DATE"] = pd.to_datetime(df["DATE"])

# --- Bağımlı ve bağımsız değişkenler ---
y = df["CLOSING_TL"].values  # Kapanış fiyatları
x = np.arange(len(y)).reshape(-1, 1)  # 0,1,2,... şeklinde indeks

# --- Polinom regresyon (3. dereceden) ---
poly = PolynomialFeatures(degree=3)
X_poly = poly.fit_transform(x)
model = LinearRegression().fit(X_poly, y)

# --- Tahmin ---
y_pred = model.predict(X_poly)

# --- Grafik ---
plt.figure(figsize=(10, 5))
plt.plot(df["DATE"], y, label="Gerçek Fiyat", color="blue")
plt.plot(df["DATE"], y_pred, label="Polinomsal Regresyon (d=3)", linestyle="--", color="red")
plt.legend()
plt.title("Polinomsal Regresyon ile Trend Analizi")
plt.xlabel("Tarih")
plt.ylabel("Fiyat (TL)")
plt.grid(True)
plt.show()

 

Avantajları

• Trendin eğrisel doğasını yakalayabilir
• Dönüş noktalarını öngörebilir
• Dalga analizinde matematiksel zemin oluşturur
• Fiyat sapmalarını görünür kılar

---

Dezavantajları

• Yüksek derecelerde overfitting riski taşır
• Yön değil sadece yapı verir (sinir ağı gibi karar vermez)
• Standart teknik analiz araçlarına entegre etmek zordur

---

Ne Zaman Kullanılmalı?

---

Sonuç

Polinomsal regresyon, klasik teknik analiz araçlarının ötesine geçerek piyasa davranışını eğrisel ve daha doğal biçimde modellemek için etkili bir araçtır. Özellikle trendin yönü ve dönüş ihtimali hakkında daha rafine bir bakış sunar.

Ancak her güçlü araç gibi, dikkatli kullanılmalıdır. Gereksiz derecede yüksek polinomlar, yanıltıcı olabilir. Bu nedenle regresyon eğrisi, diğer teknik sinyallerle (RSI, MACD, Bollinger, hacim) birlikte kullanılmalıdır.