BIST 100, OHLCV ve candlestick

Kural · financial analysis system bir pipeline'dır

Slaytın kapanış cümlesi (s.32): "A financial analysis system is a pipeline."

Market Data → Features → Rules / Model → Backtest → MCP Agent → Explanation

• Market Data: OHLCV satırları (bu ders).
• Features: veriden türetilen sütunlar: return, SMA, RSI, support/resistance zone'ları.
• Rules / Model: feature'lardan sinyal üreten açık kural (ya da opsiyonel bir ML model).
• Backtest: kuralın geçmişteki performansı, bir benchmark ile karşılaştırılarak.
• MCP Agent → Explanation: AI agent tool'ları çağırır ve sonucu açıklar. Slayt s.26: "The LLM decides which tool to call; the financial calculations remain in deterministic Python functions."

İlk slaytın alt başlığı aynı yolu daha kısa yazıyor: market data → indicators → support/resistance → backtest → AI agent. Ders "simple rules"tan "explainable, tool-using financial agents"a doğru ilerliyor.

Tanım · BIST 100

BIST 100 is a benchmark index of major companies traded on Borsa İstanbul. Endeksin kodu XU100. "Benchmark" kıyas çubuğu demek: bir stratejinin getirisini "BIST 100 aynı dönemde ne yaptı?" sorusuyla karşılaştırırsın. Slayt s.22: "Strategy Return vs. BIST 100 Return".

Endeksteki her şirketin bir time series'i var: fiyat, volume ve başka piyasa değişkenleri, gün gün sıralanmış.

Yahoo Finance, Borsa İstanbul hisselerine ".IS" suffix'i ekler: ASELS.IS, THYAO.IS, TUPRS.IS, BIMAS.IS, GARAN.IS, EREGL.IS. Endeksin kendisi Yahoo'da XU100.IS sembolüyle bulunur.

Kural · üç ana kaynak (slayt s.6)

Brief §6 tabloyu katmanlara ayırıyor:

pip install yfinance pandas matplotlib     # 1. Install packages

import yfinance as yf                      # 2. Import libraries
import pandas as pd
import matplotlib.pyplot as plt

df = yf.download(                          # 3. Download BIST data
    "ASELS.IS",
    start="2024-01-01",
    end="2026-01-01"
)
print(df.head())

Kural · yf.download nasıl okunur

• start dahil, end hariç. 2026-10-01'i de istiyorsan end="2026-10-02" yazarsın. Efe'nin notebook'u tam bunu yapıyor.
• Satırlar sadece trading day'ler: hafta sonları ve borsa tatilleri yok. start="2024-01-01" dersen ilk satır 2024-01-02 olur, çünkü 1 Ocak tatil.
• df.head() ilk beş satırı, df.tail() son beş satırı basar.
• auto_adjust parametresi fiyatların dividend ve split'e göre düzeltilip düzeltilmeyeceğini belirler (Bölüm 8). Hocanın starter code'u auto_adjust=True, Efe'nin notebook'u auto_adjust=False kullanıyor. Hangisini seçtiğini her zaman açıkça yaz.

Hocanın starter code'undaki yükleme fonksiyonu (scenario 3) aynı adımları sağlamlaştırıyor:

def load_stock_data(ticker, start, end=None):
    df = yf.download(ticker, start=start, end=end,
                     auto_adjust=True, progress=False)
    if df.empty:
        raise ValueError(f"No data found for {ticker}")
    if isinstance(df.columns, pd.MultiIndex):      # yeni yfinance: (Price, Ticker)
        df.columns = df.columns.get_level_values(0)
    df = df.copy()
    df.index = pd.to_datetime(df.index)
    needed = ["Open", "High", "Low", "Close", "Volume"]
    df = df[needed].dropna()
    return df

Boş sonuç kontrolü, MultiIndex sütunları tek seviyeye indirmek, index'i datetime yapmak ve eksik satırları atmak. Scenario 2'deki sürüm bunlara bir de df["Return"] = df["Close"].pct_change() ekliyor (Bölüm 9).

python3 -m venv .venv                    # 1. create
source .venv/bin/activate                # 2. activate (Windows: .venv\Scripts\activate)
pip install yfinance pandas matplotlib   # 3. install
python -c "import yfinance, pandas, matplotlib; print(yfinance.__version__, pandas.__version__, matplotlib.__version__)"
pip freeze > requirements.txt          # optional: record the exact versions

import yfinance as yf
import pandas as pd

df = yf.download("ASELS.IS", start="2024-01-01", end="2026-01-01",
                 auto_adjust=False, progress=False)
if isinstance(df.columns, pd.MultiIndex):
    df.columns = df.columns.get_level_values(0)
print(df.head())

Tanım · slayt s.10 "Understanding OHLCV"

Bu tanımlardan bir satırın her zaman sağlaması gereken eşitsizlikler çıkar:

$$\text{Low} \le \min(\text{Open}, \text{Close}) \le \max(\text{Open}, \text{Close}) \le \text{High}, \qquad \text{Volume} \ge 0$$

Neden? Open ve Close o gün gerçekten işlem görmüş iki fiyat. High "en yüksek işlem fiyatı" olduğuna göre bu ikisinden küçük olamaz; Low da büyük olamaz.

Kural · bir candle'ın parçaları

• Body (gövde): Open ile Close arasındaki dikdörtgen. Uzunluğu $|\text{Close} - \text{Open}|$.
• Upper wick: body'nin üstünden High'a uzanan çizgi, $\text{High} - \max(\text{Open}, \text{Close})$.
• Lower wick: body'nin altından Low'a uzanan çizgi, $\min(\text{Open}, \text{Close}) - \text{Low}$.
• Renk: slayt s.10 "Green candle: Close > Open". Close < Open ise kırmızı. Close = Open ise body yok, tek bir yatay çizgi.

Okuması: uzun bir lower wick, fiyatın gün içinde Low'a kadar düştüğünü ama kapanışa kadar oradan geri döndüğünü söyler. Candle, tek satırlık OHLC'yi tek bakışta okutan bir resim. Week 3'teki stratejiler (Volume Bubbles gibi) candle'ı temel birim olarak kullanıyor.

Kural · indirdikten sonra kontrol et ve belgele

assert df.index.is_unique                                   # aynı tarih iki kez yok
assert (df["High"] >= df[["Open", "Close"]].max(axis=1)).all()
assert (df["Low"]  <= df[["Open", "Close"]].min(axis=1)).all()
print(df.isna().sum())                                      # eksik değer
zero = df[df["Volume"] == 0]                                # işlem olmayan satırlar
print(zero)
df = df[df["Volume"] > 0]                                  # ya at ya da tut, ama yaz

Hocanın Teams cevabı: kaynağı, tarih aralığını, uygulanan adjustment'ları ve eksik verinin nasıl ele alındığını belgele. Volume = 0 satırlarını atmak da tutmak da savunulabilir; belgelenmemiş olması savunulamaz.

Kural · iki sütun, iki farklı düzeltme

• Split (Türkiye'de çoğunlukla bedelsiz sermaye artırımı): hisse sayısı artar, fiyat aynı oranda düşer. 1'e 2 split'te 80 TL'lik hisse ertesi gün 40.50 olursa düzeltilmemiş getiri −49.38% görünür; gerçekte 40 → 40.50, yani +1.25%. Yahoo geçmiş fiyatları bölerek bu sahte düşüşü yok eder; bu düzeltme hem Close'ta hem Adj Close'ta var.
• auto_adjust=False: Close (sadece split düzeltmeli) ve ayrı bir Adj Close sütunu gelir. Efe'nin notebook'u böyle: "The prices are adjusted for splits but not for dividends."
• auto_adjust=True (hocanın starter code'u): Open, High, Low, Close'un dördü de dividend'e göre ölçeklenir, Adj Close sütunu kalkar.

Close, dividend düzeltmesi içermeyen, split'e göre düzeltilmiş fiyat serisidir. Son split'ten sonraki günlerde Close, borsada gerçekten oluşan kapanış fiyatıyla aynıdır. Split öncesindeki gerçek emir fiyatlarını göstermek için adjustment geri alınmalı; hisse adetleri de tutarlı biçimde işlenmelidir. 1'e 2 split örneğinde split öncesi bir Close'u 2 ile çarparsın, o günkü hisse adedini 2'ye bölersin; pozisyonun TL değeri değişmez.

Brief §6 market data katmanında açıkça "adjusted prices" diyor; Teams cevabı da "the adjustments applied" kısmının belgelenmesini istiyor.

Kural · günlük getiri $$r_t = \frac{C_t}{C_{t-1}} - 1$$

df["Return"] = df["Close"].pct_change()

İlk satırın dünü olmadığı için $r$ NaN çıkar. Scenario 2'nin yükleme fonksiyonu bu yüzden sonda df.dropna(subset=["Return"]) yapıyor.

Getiriler toplanmaz, çarpılır (compounding):

$$R_{0 \to n} = \prod_{t=1}^{n} (1 + r_t) - 1 = \frac{C_n}{C_0} - 1$$

Pandas'ta $\prod(1 + r)$'nin her güne kadar olan değeri (1 + df["Return"]).cumprod(). Slayt s.22 equity eğrisini tam böyle kuruyor; orada çarpılan seri stratejinin getirisi (rules-backtest dersi).

Tanım · buy-and-hold

Buy-and-hold: pencerenin ilk günü al, hiçbir şey yapmadan tut, son gün değerle. Efe'nin notebook'u bunu "first open → last close" olarak hesaplıyor:

$$\text{Buy\&Hold} = \frac{\text{Close}_{\text{son}}}{\text{Open}_{\text{ilk}}} - 1$$

Brief §18: her stratejiyi Buy-and-Hold, XU100 ve mümkünse bir sector benchmark ile karşılaştır. Slayt s.37 de "compare with Buy-and-Hold and XU100" diyor.

import os
TICKERS = ["AKBNK", "ASELS", "TUPRS", "TCELL", "FROTO", "EREGL"]
START, END = "2025-01-01", "2026-10-01"     # backtest window (inclusive)
WARMUP_START = "2024-01-01"                 # indicator warm-up only

def load_prices(ticker, refresh=False):
    path = os.path.join("data", f"{ticker}.csv")
    if refresh or not os.path.exists(path):    # download only when missing or asked
        df = yf.download(f"{ticker}.IS", start=WARMUP_START, end="2026-10-02",
                         auto_adjust=False, progress=False)
        if isinstance(df.columns, pd.MultiIndex):
            df.columns = df.columns.get_level_values(0)
        os.makedirs("data", exist_ok=True)
        df.to_csv(path)
    df = pd.read_csv(path, index_col=0, parse_dates=True)   # every run reads the saved snapshot
    return df[["Open", "High", "Low", "Close", "Volume"]].dropna()

DATA = {t: load_prices(t) for t in TICKERS}
for t, df in DATA.items():
    w = df.loc[START:END]
    print(t, len(w), w.index[0].date(), w.index[-1].date(),
          round((w.Close.iloc[-1] / w.Open.iloc[0] - 1) * 100, 2))

Kural · AI Use Policy (slayt s.31)

• AI tools may support idea generation, coding assistance and understanding.
• Students remain responsible for the analysis, interpretation and final work.
• Prompts and materially used AI outputs should be documented in the appendix.
• Financial outputs must be verified against the underlying data and code.

AI ASSISTS · Python CALCULATES · Student EXPLAINS

Brief'in core design principle'ı aynı iş bölümünü projeye genişletiyor: "LLM reasons and explains. Python tools calculate. The harness controls. Backtests verify. Evidence is logged. A human makes the final decision."