Yatırımcı Tipleri ve Riskten Kaçınma: Finansal Karar Vermede Veri Bilimi Yaklaşımı

Abstract

Bu çalışma, yatırımcıların karar alma süreçlerindeki davranışsal önyargıların ortaya çıkışını, FAR-Trans veri seti kullanılarak nicel bir veri bilimi yaklaşımıyla incelemektedir. Davranışsal finansın üç temel kavramı olan kayıptan kaçınma, sürü davranışı ve aşırı özgüven için kuramsal çerçevelere dayanan ampirik ölçütler geliştirilmiş ve bunlar yatırımcıların farklı davranış gruplarına sınıflandırılmasında kullanılmıştır. Davranışsal önyargı kategorilerini tahmin etmek amacıyla karar ağacı tabanlı çok sınıflı bir sınıflandırma modeli uygulanmış ve bu model çapraz doğrulama analizleriyle %96 doğruluk ve 0.99 makro-ortalama ROC-AUC skoru ile oldukça yüksek bir öngörü performansı sergilemiştir. İstatistiksel anlamlılık testleri ve görsel analizler, her davranışsal grubun kendi baskın metriğinde net bir şekilde ayrıştığını doğrulamaktadır; kayıptan kaçınan yatırımcılar kayıplı pozisyonları elde tutma eğilimini daha yüksek gösterirken, sürü davranışı sergileyen yatırımcılar popüler varlıkları takip etme eğiliminde, aşırı özgüvenli yatırımcılar ise daha sık işlem yapma eğilimindedir. Bu bulgular, finansal işlem verilerinden davranışsal önyargıların etkin şekilde tanımlanıp sınıflandırılabileceğine dair güçlü ampirik kanıt sunmakta ve makine öğrenmesi tekniklerinin finansal piyasalarda psikolojik faktörleri anlamada pratik faydasını ortaya koymaktadır.

This study examines the manifestation of behavioral biases in investor decisionmaking through a quantitative data science approach using the FAR-Trans dataset. We developed empirical measures for three key behavioral finance constructs (loss aversion, herding behavior, and overconfidence) derived from established theoretical frameworks and applied them to classify investors into distinct behavioral groups. A decision tree-based multi-class classification model was employed to predict behavioral bias categories, demonstrating exceptional predictive performance with 96% accuracy and macro-average ROC-AUC scores of 0.99 validated through crossvalidation analysis. Statistical significance tests and visual analyses confirm that each behavioral group exhibits clearly distinguishable patterns in their respective dominant metrics, with loss-averse investors displaying higher tendencies to maintain losing positions, herding investors showing increased propensity to follow popular assets, and overconfident investors engaging in more frequent trading activities. These findings provide robust empirical evidence for the effective identification and classification of behavioral biases from transactional financial data and demonstrate the practical utility of machine learning techniques for understanding psychological factors in financial markets.