<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Atakan AKIN on Medium]]></title>
        <description><![CDATA[Stories by Atakan AKIN on Medium]]></description>
        <link>https://medium.com/@atakanakin1009?source=rss-dbbc6adf985f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*pP45eocgfc4jy9K-enVQqA.jpeg</url>
            <title>Stories by Atakan AKIN on Medium</title>
            <link>https://medium.com/@atakanakin1009?source=rss-dbbc6adf985f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 19:07:07 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@atakanakin1009/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Revenue Operations (Gelir Operasyonları)]]></title>
            <link>https://medium.com/@atakanakin1009/revenue-operations-gelir-operasyonlar%C4%B1-4b4d2fab66b8?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/4b4d2fab66b8</guid>
            <category><![CDATA[operations]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[revenue-management]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Sun, 01 Mar 2026 21:41:32 GMT</pubDate>
            <atom:updated>2026-03-01T21:41:32.855Z</atom:updated>
            <content:encoded><![CDATA[<p>Son yıllarda şirketlerin büyüme stratejilerinde dikkat çeken en önemli dönüşümlerden biri, gelir süreçlerinin departman bazlı değil, bütünsel bir sistem olarak ele alınması oldu. İşte tam bu noktada <strong>Revenue Operations (RevOps)</strong> devreye giriyor. RevOps; pazarlama, satış ve müşteri başarı ekiplerini tek bir gelir organizasyonu altında hizalayarak süreçleri, veriyi ve teknolojiyi entegre eden stratejik bir yaklaşımdır.</p><p>HubSpot’un yayınladığı eğitimlerden ve araştırmalardan öğrendiğim kadarıyla ekipler arası hizalamanın, gelir performansı üzerinde doğrudan etkisi olduğunu gösteriyor. Özellikle pazarlama ve satış ekipleri arasında güçlü bir iş birliği olan şirketlerin daha hızlı büyüdüğü, müşteri edinme maliyetlerini daha iyi yönettiği ve gelir tahminlerinde daha yüksek doğruluk sağladığı belirtiliyor. Buna karşın, silo yapılarla çalışan organizasyonlarda veri tutarsızlığı, kopuk müşteri deneyimi ve düşük dönüşüm oranları sık görülen problemler arasında yer alıyor.</p><p>RevOps’un ortaya çıkış sebebi tam olarak bu operasyonel kırılmalar. Geleneksel yapılarda her departman kendi KPI’larına odaklanırken, RevOps modeli tüm gelir akışını uçtan uca optimize etmeyi hedefler. Bu; ortak metrikler, merkezi veri yönetimi, entegre CRM altyapısı ve standartlaştırılmış süreçler anlamına gelir. Sonuç olarak şirketler yalnızca daha fazla satış yapmakla kalmaz, aynı zamanda daha öngörülebilir, ölçeklenebilir ve sürdürülebilir bir büyüme modeli oluşturur.</p><p>Bugün RevOps, sadece operasyonel bir iyileştirme yaklaşımı değil; veri temelli karar alma kültürünün, müşteri odaklı organizasyon yapısının ve modern SaaS ekosisteminin doğal bir uzantısı olarak konumlanmaktadır. Bu yazımda RevOps’a ufak bir giriş yapacağız. Önce terminolojiyi biraz açıklamak isterim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_4qVCrhd9nl6G6Ks.png" /></figure><h4>Scale</h4><p>Scale kavramı çoğu zaman yanlış yorumlanır. Gelirin artması büyümedir; ancak ölçeklenmek, gelir artarken maliyet yapısının kontrol altında kalmasıdır. Eğer her yeni gelir artışı yeni insan kaynağı, manuel süreç veya operasyonel karmaşa gerektiriyorsa, ortada gerçek anlamda bir scale yoktur. Scale olabilmek için <strong>Business Growth</strong>’un, <strong>Investment Growth</strong>’tan büyük olması gerekir.</p><p>RevOps burada kritik rol oynar. Süreçlerin standardize edilmesi, CRM altyapısının merkezileştirilmesi ve verinin tek bir kaynaktan yönetilmesi, büyümeyi lineer olmaktan çıkarır. Ölçeklenebilir organizasyonlarda pipeline görünürlüğü nettir, KPI’lar ortaktır ve departmanlar aynı gelir hedefi doğrultusunda çalışır. Bu yapı olmadan scale mümkün değildir.</p><h4>Business Growth ve Investment Growth</h4><p><strong>Business growth</strong>, şirketin operasyonel olarak gelir üretim kapasitesini artırmasıdır. Müşteri kazanımı, upsell, fiyat optimizasyonu, churn azaltma ve satış verimliliği bu büyümenin temel kaldıraçlarıdır. Ölçüm metrikleri ARR, MRR, CAC, LTV, win rate ve pipeline velocity gibi operasyonel KPI’lardır. Bu büyüme doğrudan şirket içi sistem ve süreç optimizasyonuyla gerçekleşir.</p><p><strong>Investment growth</strong> ise sermayenin değer artışıdır. Yatırımcının odağı gelir operasyonu değil; equity değerlemesi, ROI ve exit çarpanıdır. Burada büyüme, şirket değerinin artmasıyla yatırımın getiri üretmesidir.</p><p>Örneğin 5 milyon dolar ARR üreten bir SaaS şirketinde satış süresi 90 gün, close oranı %20 ve churn %18 olsun. RevOps; lead kalitesini artırır, pipeline’ı standardize eder ve churn takibini sistemleştirir. Sonuçta satış süresi 65 güne düşer, close oranı %28’e çıkar ve churn %12’ye geriler. ARR 5 milyon dolardan 8,5 milyon dolara yükselir. Bu doğrudan business growth’tur çünkü gelir motoru daha verimli hale gelmiştir.</p><p>Bu iyileşme yatırım tarafını da etkiler. Daha düşük churn ve daha öngörülebilir gelir, değerleme çarpanını artırır. Örneğin çarpan 3x’ten 5x’e çıkarsa şirketin değeri 42,5 milyon dolara ulaşır. Yatırımcı için bu artış investment growth anlamına gelir. RevOps böylece operasyonel iyileştirmeyi finansal değere dönüştüren mekanizma haline gelir.</p><h4><strong>Unifying Revenue Operations</strong></h4><p>Unifying Revenue Operations, satış, pazarlama ve müşteri başarısı fonksiyonlarını tek bir gelir sistemi altında bütünleştirme yaklaşımıdır. Temel amaç, departman bazlı performans optimizasyonu yerine uçtan uca gelir üretim kapasitesini artırmaktır. Bu yaklaşımda organizasyon yapısı, metrikler ve süreçler “gelir yaşam döngüsü” etrafında yeniden tasarlanır.</p><p>Geleneksel yapılarda her ekip kendi hedeflerine odaklanır. Pazarlama lead üretimini artırmaya, satış kapanan anlaşma sayısını yükseltmeye, müşteri başarısı ise churn’ü düşürmeye çalışır. Ancak bu yapı doğal olarak silo etkisi yaratır. KPI’lar farklılaştıkça ekipler aynı hedefe hizmet etse bile farklı yönlere çekmeye başlar. Bunun sonucunda:</p><ul><li>Lead kalitesi ile satış beklentisi arasında uyumsuzluk oluşur.</li><li>Funnel tanımları ekipten ekibe değişir.</li><li>Veri sistemleri arasında kopukluk meydana gelir.</li><li>Forecast doğruluğu düşer.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*zdNjB-WYzZmFHF5p.png" /></figure><p>Unifying RevOps bu parçalı yapıyı ortadan kaldırır ve tüm gelir sürecini tek bir sistem olarak ele alır. Bu sistem genellikle Lead-to-Revenue ya da Lead-to-Cash çerçevesinde tanımlanır. Amaç, ilk temas noktasından sözleşme imzasına ve sonrasındaki yenileme veya genişleme aşamalarına kadar tüm süreci entegre biçimde yönetmektir.</p><p>Bu yaklaşımın merkezinde veri bütünlüğü yer alır. CRM çoğu zaman sistemin omurgasını oluşturur ve marketing automation, müşteri başarı platformları, faturalama sistemleri ve BI araçları bu yapıya entegre edilir. Böylece organizasyon genelinde tek bir “single source of truth” oluşur. Funnel aşamaları net tanımlanır ve MQL, SQL, opportunity gibi kavramlar standartlaştırılır. Bu standartlaşma sadece raporlama kalitesini artırmaz; aynı zamanda stratejik karar alma süreçlerini de güçlendirir.</p><p>RevOps aynı zamanda güçlü bir süreç yönetimi disiplinidir. Süreç tasarımı şu unsurları kapsar:</p><ul><li>Lead’in satışa hangi kriterlerle devredileceği</li><li>Satış aşamalarının nasıl tanımlanacağı</li><li>Pipeline Temizliği Kuralları</li><li>Forecast metodolojisi</li><li>Performans ölçüm çerçevesi</li></ul><p>Bu netlik, özellikle hızlı büyüyen organizasyonlarda operasyonel karmaşayı kontrol altında tutar. Gelir üretimi kişisel inisiyatiflere veya sezgilere değil, sistematik ve ölçülebilir bir modele dayanır.</p><p>Stratejik açıdan en büyük fark, satış sonrası sürecin de gelir mimarisine dahil edilmesidir. Abonelik ve ARR odaklı işlerde gelir, yalnızca yeni müşteri kazanımıyla sınırlı değildir. Elde tutma, genişleme ve çapraz satış gelirleri toplam performansın önemli bölümünü oluşturur. Bu nedenle RevOps, Net Revenue Retention, müşteri yaşam boyu değeri ve CAC geri dönüş süresi gibi metrikleri merkeze alır.</p><p>Yani Revenue Operations, şirketlerin gelir üretimini rastlantısal başarıdan çıkarıp tasarlanmış bir sisteme dönüştürmesini sağlar. Departman bazlı performans anlayışının ötesine geçerek, organizasyonu tek bir ekonomik hedef etrafında hizalar: sürdürülebilir ve öngörülebilir gelir artışı. Bu yaklaşımda satış, pazarlama ve müşteri başarısı ayrı fonksiyonlar olmaktan ziyade, aynı mekanizmanın birbirini tamamlayan parçaları haline gelir.</p><p>Özellikle rekabetin yoğun, müşteri edinme maliyetlerinin yüksek ve büyüme baskısının sürekli olduğu pazarlarda, gelir üretimini sistematik hale getirmek artık opsiyonel değildir. Veri bütünlüğü, süreç netliği ve merkezi performans yönetimi olmadan ölçeklenebilirlik sınırlı kalır. RevOps bu noktada organizasyonun ticari omurgasını güçlendirir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4b4d2fab66b8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yatırım Portföyü Optimizasyonu]]></title>
            <link>https://medium.com/@atakanakin1009/yat%C4%B1r%C4%B1m-portf%C3%B6y%C3%BC-optimizasyonu-15cd69394fb8?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/15cd69394fb8</guid>
            <category><![CDATA[optimization]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[investment]]></category>
            <category><![CDATA[industrial-engineering]]></category>
            <category><![CDATA[operation-research]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Sat, 08 Nov 2025 23:29:33 GMT</pubDate>
            <atom:updated>2025-11-08T23:29:33.049Z</atom:updated>
            <content:encoded><![CDATA[<p>Şu anda yazmaya başladığımda tarih 06.11.2025 ve saat 23.27. Büyük ihtimalle bu yazıyı bitirdiğimde tarih 09.11.2025(Tam tutturdum 02.26&#39;da bitti kontrol yapıyorum) ve sabaha karşı falan olacak. Ne yazık ki, yazma isteği akşam vakti geliyor ve çalıştığım için sürekli olarak yayınlamam hafta sonuna kalıyor. Her neyse şimdi biz üç arkadaş olarak lisans yıllarımızda fintech dışındaki güncel endüstri mühendisliği konularının çoğuyla ilgilendik. Şimdi yüksek lisansı da birlikte yapıyoruz ve dedik ki: “Neden fintech üzerine çalışmayalım?” O yüzden bugün bahsedeceğim konu da başlıkta göreceğiniz üzere “Yatırım Porföyü Optimizasyonu” oldu. Uzatmadan başlayayım bahsetmeye. İyi okumalar dilerim.</p><h4>Yatırım Portföyü Optimizasyonu Nedir</h4><p>Yatırım portföyü optimizasyonu, yatırımcının sahip olduğu parayı farklı finansal varlıklar (örneğin hisse senetleri, tahviller, fonlar vb.) arasında aldığın risk ve getirdiği para dengesine göre en uygun(optimal :D) biçimde dağıtma süreci olarak tanımlanmakta. Bu kavram ilk olarak Harry Markowitz (1952) tarafından geliştirilen <em>Modern Portföy Teorisi </em>çerçevesinde sistematik bir biçimde ortaya konmuştur. Markowitz der ki; Bir portföyün bulundurduğu toplam risk, yalnızca bireysel varlıkların risklerinden değil aynı zamanda bu varlıkların birbirleriyle olan hareket etme düzeylerinden de (Kovaryanslarından yani) etkilenmektedir. Bu nedenle, farklı varlık türlerinin bir araya getirilmesi (yani çeşitlendirme işte farklı varlıklara, coğrafyalara falan yatırım yaparak riski minimize etme durumu)yatırımcının toplam riskini düşürürken beklenen getiriyi artırabilir (Mustafayev, 2025).</p><h4>Nasıl Yapılır</h4><p>Yatırımcılar, çeşitli finansal varlıkların arasından en uygun kombinasyonu seçmek için farklı analiz ve modelleme yöntemleri kullanır. Bu sürecin temel amacı, belirli bir risk seviyesinde en yüksek getiriyi elde etmek ya da belirli bir getiri seviyesinde riski minimize etmektir.</p><p>Portföy optimizasyonu yapılırken ilk adım, yatırım yapılacak varlıkların seçilmesidir. Bu varlıklar, genellikle farklı sektörlerden ve coğrafi bölgelerden gelen, birbirinden farklı risk özelliklerine sahip finansal araçlardan oluşur. Yatırımcılar, bu varlıkların tarihsel fiyat verileri, getiri oranları, volatilite (oynaklık) ve kovaryans gibi özelliklerini toplar. Bu veriler, portföyün risk ve getiri analizini yapabilmek için temel oluşturur. Şimdi bu işlemleri ben size geçmişten bugüne nasıl yapılmış, neler değişmiş şeklinde makalelerden örneklemelerle beraber anlatacağım. Aşağıda anlatacaklarım için hızlıca notasyonu da aşağıda sizlere vereceğim.</p><p><strong>Klasik Yöntemler<em><br></em></strong>Aslında biraz tekrara düşmüş gibi oluyorum ama yukarıda da bahsettiğim gibi yatırım portföyü optimizasyonu tarihsel olarak finansal risk ve getiri arasındaki dengeyi matematiksel biçimde tanımlayan Modern Portföy Teorisi<strong> </strong>üzerine kuruludur.</p><p>Yöntemlere hemen geçmeden önce bunların kritik noktalarını ve nasıl değerlendirildiğine kısaca değinmek istiyorum. Öncelikle yukarıda yine bahsettiğim çeşitlendirme ilkesini açıklayayım. Bu ilke kovaryans matrisine dayanmaktadır. Bu matris, her varlık çiftinin getirileri arasındaki ilişkiyi temsil eder. Eğer iki varlık birbirinden bağımsız (korelasyonu düşük) hareket ediyorsa, portföyün toplam riski düşer. Korelasyon katsayısı sıfıra yaklaştıkça veya negatif hale geldikçe bu varlıkların birlikte hareket etme olasılığı azalır ve portföyün volatilitesi(ürünün belirli zaman içindeki oynaklığı) de düşer. Dolayısıyla, klasik modelin başarısı, doğru ve güncel kovaryans tahminlerine büyük ölçüde bağlıdır.</p><p><strong><em>Ortalama–Varyans Modeli<br></em></strong>Ortalama-Varyans Modeli klasik portföy optimizasyonunun çekirdeğini oluşturur. Bu model, her bir varlığın beklenen getirisi ve varyansı ile varlıklar arasındaki birlikte hareket etme düzeylerini dikkate alır. Amaç, portföyün toplam riskini minimize ederken beklenen getiriyi belirli bir hedef düzeyde tutmaktır. Aşağıda gerçekten çevirmeye üşendiğim bir SS bırakacağım oradan modeli daha detaylı kontrol edebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*s6G_BHO-DDoBCnTDaYE1vA.png" /><figcaption>Yatırım Portföyü Optimizasyonu Matematiksel Model</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/616/1*r1i3veLXQADZTlfJZVLtVg.png" /><figcaption>Yatırım Portföyü Optimizasyonu İçin Notasyon</figcaption></figure><p><strong><em>Kuadratik Programlama Yaklaşımı (QP)<br></em></strong>Bu yöntem, bu tür denge problemlerini(risk-getiri dengesi vb.) çözmek için yaygın biçimde kullanılan matematiksel bir optimizasyon tekniğidir. Yatırım porftöyü optimizasyonu, doğası gereği ikinci dereceden denklemleri barındırır yani daha yalın bir anlatımla amaç fonksiyonu katlı değerler barındırmaktadır ama kısıtları lineerdir. Bu problem de bu yüzden doğrudan kuadratik programlamaya uygun olmaktadır.</p><p>QP yaklaşımında, amaç fonksiyonu portföyün varyansını minimize ederken, kısıtlar beklenen getirinin belirli bir eşiğin altında olmamasını sağlamaya yöneliktir. Matematiksel optimizasyon yazılımları (örneğin <em>CVXPY</em>, <em>OSQP</em>, <em>AIMMS</em>) bu tür problemleri çözmek amacıyla hala kullanılmaktadır.</p><p>QP’nin en önemli avantajı, küçük ölçekli portföylerde yüksek doğruluk sunmasıdır. Ancak, çok sayıda varlık içeren büyük portföylerde hesaplama yükü artar ve çözüm süresi uzar. Bu nedenle modern araştırmalarda, QP’nin yerine daha verimli algoritmalar önerilmektedir (Setyawan et al., 2025).</p><blockquote>Markowitz modeli yatırım teorisinde devrim yaratmış olsa bile günümüzün karmaşık finansal ortamında bazı sınırlamalara sahiptir.<br>Bunlar arasında:</blockquote><blockquote>-Getiri ve riskin geçmiş verilere dayanması (geleceği tam olarak yansıtamaması),</blockquote><blockquote>-Varlık getirileri arasındaki korelasyonun sabit varsayılması,</blockquote><blockquote>-Hesaplama yükünün yüksek olması,</blockquote><blockquote>-Davranışsal ve duygusal yatırımcı etkilerini hesaba katmaması yer alır (Vital et al., 2025).</blockquote><blockquote>Bu sınırlamalar, modern dönem araştırmacılarını genetik algoritmalar, makine öğrenmesi ve yapay zeka tabanlı optimizasyon tekniklerine yönlendirmiştir.</blockquote><p><strong>Modern Yöntemler</strong></p><p>Günümüzde portföy optimizasyonu yapay zeka, hesaplamalı zeka ve ileri algoritmik yöntemler kullanılarak gerçekleştirilmektedir. Bu yaklaşımlar, yalnızca geçmiş verilere dayalı statik çözümler üretmek yerine, öğrenen ve kendini güncelleyen dinamik sistemler oluşturmayı hedeflemektedir. Yani daha stabil durumlarda çalışan klasik yöntemleri geliştirerek dinamikleştirmeyi hedeflemektedir.</p><p><strong><em>Frank–Wolfe Algoritması</em></strong></p><p>Frank–Wolfe algoritması, klasik kuadratik programlamanın (QP) geliştirilmiş bir versiyonudur ve büyük ölçekli portföylerde hesaplama hızını artırmak amacıyla kullanılır. 2025 yılında yapılan bir çalışmada, algoritmanın portföy varyansını minimize eden amaç fonksiyonunu daha hızlı çözdüğü ve bellek kullanımını önemli ölçüde azalttığı gösterilmiştir. Frank–Wolfe yöntemi, her iterasyonda kuadratik problemi bir doğrusal(yani kuadratik formdan çıkartarak) alt problem haline getirir ve bu alt problemi çözerek her iterasyonda optimum sonuca adım adım yaklaşır. Böylece yüksek boyutlu finansal veri kümelerinde zaman ve kaynak açısından verimli sonuçlar elde edilir.</p><p><strong><em>Genetik Algoritma</em></strong></p><p>Genetik Algoritma dedim ama aslında klasik genetik algoritmanın üstüne Wang’ın 2024 yılında geliştirdiği yeni bir algoritmadan bahsedeceğim. Wang’ın 2024 yılında geliştirdiği modelde, genetik algoritmayı sistematik yatırım planlarında (SIP) uyguladığı ve klasik sabit yatırım stratejilerine kıyasla daha yüksek yatırım memnuniyeti sağladığı gözlemlenmiştir. Bu yöntemde yatırım stratejileri birer “birey” olarak ele alınır ve her birey, belirli parametrelerle (örneğin yatırım miktarı, zamanlama, risk toleransı vb.) temsil edilir. Uygunluk (fitness) fonksiyonu ise, getirinin sabit stratejiden daha yüksek olma olasılığı şeklinde tanımlanır. Nesiller ilerledikçe daha uygun bireyler (yani daha karlı stratejiler) seçilerek optimum portföy elde edilir. Genetik Algoritma’nın en büyük avantajı, doğrusal olmayan ve çok sayıda yerel minimum içeren finansal problemlerde global çözüme ulaşabilmesidir.</p><p><strong><em>Makine Öğrenmesi Tabanlı Modeller</em></strong></p><p>Bu aslında benim daha yatkın olduğum kısmı o yüzden daha iyi anlatabileceğime inanıyorum. Makine öğrenmesi diğer yöntemlerden farklı olarak, geçmiş piyasa verilerini öğrenerek gelecekteki fiyat hareketlerini ve risk eğilimlerini tahmin etme yeteneği sayesinde kendisini ön plana çıkartır. Caro-Reyna, Arcos-Bravo ve Sánchez (2024), yatırım portföyü optimizasyonunda <strong>XGBoost</strong> algoritmasını kullanarak şeffaf (white-box) bir model geliştirmiştir. Bu model, S&amp;P 500 endeksindeki 500 şirketin geçmiş fiyat, işlem hacmi ve teknik göstergelerini analiz etmiştir. Sonuçlar, modelin özellikle Midpoint(En yüksek ve en düşük fiyatın ortalaması), Momentum(Fiyatların hangi hızla ve yönde değiştiği) ve Bollinger Bands(Hareketli ortalamanın etrafındaki üst ve alt sınırlar) gibi teknik göstergeleri en belirleyici faktörler olarak tanımladığını göstermiştir. Yuakrıda bir örnekle anlattım ama CatBoost, LGBM, ARIMA, SARIMA vs. gibi makine öğrenmesi tabanlı modeller, portföy yöneticilerine hangi göstergenin getiriyi en çok etkilediğini anlama olanağını sağlamanın yanı sıra çok tutarlı çıktılar vermektedir.</p><h4>Sonuç</h4><p>Yatırım portföyü optimizasyonu, modern finans teorisinde yatırımcıların risk ve getiri arasındaki dengeyi en verimli şekilde kurmalarını amaçlayan önemli bir süreçtir. Geleneksel yöntemler, özellikle <strong>Markowitz’in Modern Portföy Teorisi (MPT)</strong> üzerine kuruluyken, son yıllarda gelişen teknoloji ve yapay zekâ araçları, bu süreci çok daha dinamik ve esnek hale getirmiştir. Günümüzde, <strong>genetik algoritmalar (GA)</strong>, <strong>Frank-Wolfe algoritması</strong> ve <strong>çok popülasyonlu genetik algoritmalar (MPGA)</strong> gibi sezgisel optimizasyon teknikleri, portföy ağırlıklarını ve stratejilerini optimize etmek için yaygın şekilde kullanılmaktadır. Ayrıca, <strong>makine öğrenmesi (ML)</strong> ve <strong>derin öğrenme</strong> teknikleri, özellikle <strong>XGBoost</strong> ve <strong>Long Short-Term Memory (LSTM)</strong> gibi modeller, yatırımcıların geçmiş veriler üzerinden öğrenerek daha doğru tahminlerde bulunmalarını sağlar. <strong>Pekiştirmeli öğrenme (Reinforcement Learning — RL)</strong> yöntemleri, <strong>Deep Q-Networks (DQN)</strong> ve <strong>Proximal Policy Optimization (PPO)</strong> gibi algoritmalarla, yatırım stratejilerinin gerçek zamanlı olarak adapte edilmesine olanak tanır. Bunların yanı sıra, piyasa duyarlılığı analizi için <strong>Duygu Analizi (Sentiment Analysis)</strong> teknikleri de kullanılmakta, haber ve sosyal medya verilerinden piyasa hareketlerini tahmin etme kapasitesi artmaktadır. Sonuç olarak, modern yatırım portföyü optimizasyonu, sadece geçmiş veriye dayalı tahminlerle sınırlı kalmayıp, aynı zamanda <strong>sürekli öğrenen, adaptif ve çok boyutlu algoritmalarla</strong> finansal kararları daha güvenilir hâle getirmektedir. Bu yöntemler, yatırımcılara daha esnek, dinamik ve sürdürülebilir portföyler oluşturma fırsatı sunmaktadır.</p><h4>Kaynakça</h4><ul><li>Caro-Reyna, F., Arcos-Bravo, D. G., &amp; Sánchez, C. N. (2024). Investment portfolio optimization using technical indicators and white-box models. <em>IEEE 6th International Conference on BioInspired Processing (BIP)</em>.</li><li>Gilli, M., &amp; Këllezi, E. (2002). The threshold accepting heuristic for index tracking. <em>Journal of Financial Econometrics</em>, 3(2), 235–265.</li><li>Huang, W., Nakamori, Y., &amp; Wang, S. Y. (2005). Forecasting stock market movement direction with support vector machine. <em>Computers &amp; Operations Research</em>, 32(10), 2513–2522.</li><li>Jiang, Z., Xu, D., &amp; Liang, J. (2017). A deep reinforcement learning framework for the financial portfolio management problem. <em>IEEE Access</em>, 7, 92861–92872.</li><li>Krink, T., &amp; Paterlini, S. (2011). Multiobjective optimization using differential evolution for portfolio selection. <em>Computers &amp; Operations Research</em>, 38(9), 1353–1362.</li><li>Ma, S., Yu, N., Hou, K., &amp; Sun, Q. (2025). Research on investment decision-making optimization of power grid companies based on deep reinforcement learning. <em>IEEE 6th International Conference on Clean Energy and Electric Power Engineering (ICCEPE)</em>.</li><li>Markowitz, H. (1952). <em>Portfolio selection</em>. <em>Journal of Finance, 7</em>(1), 77–91.</li><li>Setyawan, D. P., Chaerani, D., &amp; Sukono, S. (2025). An improved Frank–Wolfe algorithm to solve the tactical investment portfolio optimization problem. <em>Mathematics, 13</em>(3038).</li><li>Vital, G. M., Fernandes, D., Fernandes, M., &amp; Soares, F. (2025). A vision on sentiment analysis and other AI applications on investment portfolio optimization. <em>IEEE 49th Annual Computers, Software, and Applications Conference (COMPSAC)</em>.</li><li>Wang, J. (2024). Research on the optimization of investment strategy based on genetic algorithm using Python programming. <em>IEEE 3rd International Conference on Artificial Intelligence and Computer Information Technology (AICIT)</em>.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=15cd69394fb8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SDLC(Software Development Life Cycle)]]></title>
            <link>https://medium.com/@atakanakin1009/sdlc-software-development-life-cycle-437ca472eda1?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/437ca472eda1</guid>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[sdlc]]></category>
            <category><![CDATA[industrial-engineering]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[business-development]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Sun, 19 Oct 2025 00:06:57 GMT</pubDate>
            <atom:updated>2025-10-19T09:58:46.140Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*b0zq1oxqH9upgafz.png" /></figure><p>Bugün bahsedeceğim konu benim İş Geliştirme alemine girdiğimden beri sürekli olarak kullanmaya çalıştığım bir yöntem. Zamanında merak salıp udemy’den kurslarını aldığım, bu sıralar da derinlemesine öğrenmek zorunda kaldığım ve neden bu kadar çalışıyorken bir de yazı yazmayayım ki diye kendi kendime sorup başladığım bir yazı olacak. Yine her seferinde olduğu gibi makalelerden bolca yardım aldığım bir yazı olacak. İyi okumalar dilerim.</p><h4>SDLC Nedir</h4><p>SDLC dediğimiz mevzu bir yazılım ürününün fikir aşamasından başlayıp kullanım ömrünün sonuna kadar geçen süreci düzenleyen sistemdir. Bu yöntemdeki amaç, elimizdeki problemi doğru gereksinimlerle tanımlamak, geliştirmek ve sürdürülebilir bir biçimde teslim edebilmektir. Bu bahsettiklerimi yapabilmek içinse az sonra bahsedeceğim SDLC’nin temel adımları, yine az sonra bahsedeceğim SDLC modellerine göre farklı sırayla uygulanır. Doğru oluşturulmuş bir SDLC süreci izlenebilirliği, kalite güvencesini ve otomasyonu temel alarak geliştirilir.</p><p>Modern SDLC süreçleri ilkel bilişim dönemlerindeki gibi ‘ben geliştirdim yayınladım n’aparsanız yapın’ diyip de bitirebildiğimiz bir iş akışına sahip değildir. Bu süreç eskiden olduğu gibi işi sadece yazılımcıya yıkmak yerine blameless postmortem(kişiyi suçlamak yerine süreci suçlamak)<strong> </strong>kültürüyle kök neden analizi yapıldıktan sonra iyileştirmelerle beraber backlog’a taşınan daha insancıl ve anlayışlı bir süreçtir.</p><p>Bu sistemin başarı ölçümü için DORA metrikleri (deployment frequency, lead time, change failure rate, mean time to repair) ile akış ve istikrar dengesi takip edilir. Defect leakage(QA sırasında kaç sorunun gözden kaçtığının oranı), test kapsamı ve kod inceleme süreleri gibi teknik göstergeler ise bu ölçümü destekler. Pratikte ekipler başarı oranını arttırmak için tek bir SDLC modelini kullanmak yerine diğerlerini de aktif bir şekilde kullanmaya çalışır. Kısacası, etkili bir SDLC bürokrasi ile değil; karar şeffaflığı (ADR), otomasyon ve sürekli öğrenme üzerine kurulu, ekibin enerjisini yangın söndürmeden değer üretimine taşıyan, yaşayan bir sistemdir.</p><h4>SDLC’nin Temel Aşamaları</h4><p>Bahsedeceğim aşamalar benim Endüstri Mühendisliği okurken öğrendiğim PUKO(Planla, Uygula, Kontrol Et, Önlem Al) döngüsüyle epey bir benzerlik göstermekte o yüzden öğrenirken çok da yabancılık çekmeden hızlıca öğrenmiştim. Bu aşamalar planlayıcı kişiye(planlama, analiz, tasarım, geliştirme, test/entegrasyon ve bakım), yazılım üretimini baştan uca düzenleyebileceği bir iskelet sunmaktadır. Bu iskeletin amacı, iş hedeflerini netleştirip gereksinimleri doğrulanabilir hale getirmek, çözümü mimari olarak kurgulamak, kaliteli ve test edilebilir kod üretmek, sistemi bütünleşik biçimde doğrulamak ve canlı ortamda sürdürülebilir şekilde işletmektir. Aşamalar bir checklist değildir aksine her bir aşama önceki kararları doğrular veya düzeltir, böylece riskler erken görünür olur, maliyet ve gecikmeler azalır. Yöntemleri aşağıda tek tek açıklıyorum:</p><ul><li><strong>Planning (Planlama)</strong><br>Ekibin neyi neden yaptığını ortak bir vizyon altında toplar ve projenin sınırlarını netleştiririz. Planning aşaması oluşabilecek riskleri görünür kılar ve bu öngörü sayesinde gerçekçi bir zaman çizelgesi ile kabaca bir bütçe kurgulanır, nasıl ilerleneceğine dair yol haritası şekillendirmemizde bizlere yardımcı olur. Bu aşamanın sonucunda projede yer alan herkesin “ne zaman başlıyoruz, ne zaman bitiriyoruz, bunu yapabilir miyiz?” sorularına aynı cevabı verdiği bir başlangıç zemini oluşur.</li><li><strong>Analysis (Analiz)</strong><br>Yazılımı kullanacak kişilerin nelere ihtiyaç duyduğunu keşfetmek ve iş hedeflerini doğrulanabilir gereksinimlere dönüştürmek için detaylı incelemelerin yapıldığı bölümdür. Bu aşamada iş akışları netleşir, senaryolar yazılır ve kabul kriterleri ortaya konur; böylece “biz ne yapacağız?” sorusunun belirsizliği yerini ölçülebilir ifadelere bırakır.</li><li><strong>Design (Tasarım)</strong><br>Fikirlerin çalışır bir yapıya dönüştürüldüğü bölümdür. Bu aşama, mimariyi, veri modelini ve bileşenler arası etkileşimi netleştirir; API sözleşmeleri, arayüz akışları ve performans ile güvenlik gibi işlevsel olmayan gereksinimleri somutlaştırır. Kararların artı–eksi yönleri açıkça kayda geçirilir ve gerekiyorsa küçük prototiplerle sınanır böylece geliştirme ekibi için belirsizliği düşük, test edilebilir ve genişletilebilir bir yol haritası ortaya çıkar.</li><li><strong>Implementation (Gerçekleme/Geliştirme)</strong><br>Tasarım aşamasında netleşen yapıyı çalışan bir yazılıma dönüştürdüğümz an işte burasıdır. Kod, test edilebilir küçük birimler halinde geliştirilir; eş zamanlı kod incelemeleri ve otomatik birim testleriyle kalite sürekli doğrulanır, değişiklikler sürüm kontrolünde izlenir ve CI (Continuous Integration bunu kısaca açıklayamadım :( ) hattı her adımı geri besler. Bu aşamanın sonunda okunabilir ve bakımı kolay bir kod tabanı kurulur.</li><li><strong>Testing &amp; Integration (Test &amp; Entegrasyon)</strong><br>Artık ayrı ayrı geliştirilen parçaların bir araya getirilip sistem olarak tanımlandığı bölümdür. Entegrasyon ve sistem testleriyle yazılan fonksiyonların birlikte doğru çalıştığını kanıtlarız bunun ardından regresyon, performans ve güvenlik sınamalarıyla gizli hataları ve yan etkileri ortaya çıkartmaya çalışırız (ecnebiler buna bug fixing diyor).</li><li><strong>Maintenance (Bakım)</strong><br>Sistem canlıya alındıktan sonra sağlığını sürekli izleyip sorunları hızla giderdiğimiz ve ürünü güvenilir biçimde evrimleştirdiğimiz evredir. İzleme ve uyarılar üzerinden olayları yakalar, kök neden analizleriyle süreç sürekli monitörize edilip kalıcı önlemler geliştirir, gerektiğinde yamalar, performans iyileştirmeleri ve kapasite düzenlemeleri yaparız.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/0*yVqgcRRVGM8E0RL3.png" /><figcaption>SDLC Döngüsü</figcaption></figure><h4>SDLC Modelleri</h4><p>Bu modeller aslında yukarıda anlattığım adımları farklı yaklaşım ve ritimlerle uygular. Önemli olan eldeki probleme göre doğru karışımı seçmektir.</p><p>Mesela, kapsam baştan net ve değişim pahalıysa daha sıralı (Şelale/V-Model), belirsizlik ve risk yüksekse <strong>öğrenme odaklı</strong> (Spiral), pazara hızlı değer vermek istiyorsanız <strong>artırımlı/çevik</strong> yaklaşımlar öne çıkar. Gerçek hayatta çoğu ekip, denetlenebilirlik ve izlenebilirlik için V-Model disiplinini, hızlı geri bildirim için Çevik pratikleri ve güvenli, sık yayın için DevOps/CD otomasyonunu <strong>melez</strong> biçimde birleştirir. Yani, model seçimi “tek doğru”dan çok risk, regülasyon, ekip olgunluğu ve hedeflere göre bilinçli bir denge oyunudur. Ve tabii ki de bolca tecrübeye dayalıdır :) Bahsettiğim yöntemlere bir göz atalım.</p><p><strong>Şelale (Waterfall)</strong></p><p>SDLC adımlarını ardışık ve tek yönlü biçimde ilerleten klasik bir yaklaşımdır. Bu yaklaşıma göre önce kapsam ve gereksinimler ayrıntılı bir biçimde tanımlanır, ardından sistemin tasarımı yapılır, geliştirme ve test gelir, en sonunda ise müşterilere dağıtım ve bakım başlar. Waterfall, projede yapılabilecek bir değişikliğin pahalı ya da riskli olduğu, gereksinimlerin baştan büyük ölçüde netleştiği ve kapsam–bütçe–zamanın sözleşmeyle sabitlendiği projelerde öngörülebilirlik sağlar; güçlü dokümantasyon ve izlenebilirlik sayesinde denetim ortamlarında da tercih edilir. Buna karşılık geri bildirimin geç gelmesi “yanlış varsayımların” geç fark edilmesine yol açabilir. Bu yüzden erken prototipler, net kabul kriterleri ve sık ara gözden geçirmelerle risk azaltılır. Doğru kullanıldığında Waterfall modeli büyük ve durağanlığın çok olduğu işlerde teslimatı belirli bir disipline sokar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*D5Pm1rWTpOpA6zmj.jpg" /><figcaption>Waterfall Model</figcaption></figure><p><strong>V-Model</strong></p><p>Geliştirme adımlarını karşılık gelen test seviyeleriyle<strong> </strong>çift yönlü eşleyen bir SDLC yaklaşımıdır. Gereksinimler kabul testleriyle, yüksek seviyeli mimari sistem testleriyle ve ayrıntılı tasarım entegrasyon testleriyle eşleştirilirken modül tasarımları birim testleriyle “V” biçiminde eşleştirilir. Böylece “ne inşa ediyoruz?” sorusu her aşamada “bunu nasıl doğrulayacağız?” sorusuyla birlikte ele alınır. Bu sayede projenin takip edilebilirliği güçlenir, denetim kanıtları üretmek kolaylaşır. V-Model özellikle medikal, otomotiv ve havacılık gibi regülasyonlu/ güvenlik-kritik yani değişimin ve riskin fazla alanlarda tercih edilir.</p><p>Modelin gücü disiplin ve öngörülebilirlikten gelmektedir. Ancak değişime olan tepkisi sınırlıdır. Bu yüzden gereksinimlerin erken netleştirildiği, değişikliklerin kontrollü yönetildiği projelerde ön plana çıkar. Daha değişken ürünlerdeyse prototipleme ve kısa geri bildirim döngüleriyle desteklenmesi gerekir. Doğru uygulandığında V-Model, hem tasarım kalitesini hem de test kapsamını sistematik biçimde güvence altına alır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*LvDyVetcRDRA0VMR" /><figcaption>V-Model</figcaption></figure><p><strong>Artırımlı / İteratif</strong></p><p>Ürünü tek seferde “tamamlamak” yerine küçük dilimlerle geliştirmeyi hedefler. Her iterasyonda dar bir kapsam seçilir, tasarlanır, geliştirilir, test edilir ve çalışır halde teslim edilir. Bir sonraki iterasyonda alınan geri bildirim ve ölçümlerle yön bulur. Böylece belirsizlik parçalara ayrılır, risk erken ortaya çıkar ve kullanıcı istekleri hızlı görünür hale gelir.</p><p>Bu model özellikle gereksinimlerin tam net olmadığı, pazarın veya paydaş beklentilerinin hızlı değiştiği ürünlerde güçlü bir denge sunar. Ekip, her artımda mimariyi kontrollü genişletir ve kaliteyi otomatik testler ile CI/CD üzerinden sürekli doğrular ve gerektiğinde yön değiştirerek gereksiz yatırımı önler. Doğru uygulandığında teknik borç birikmeden öğrenme hızlanır, yol haritası gerçek kullanım verileriyle şekillenir ve teslimatlar tutarlı bir ritme oturur.</p><p>Dikkat edilmesi gereken nokta, bu yöntemde artımların rastgele değil, açık bir ürün stratejisine ve kabul kriterlerine dayanmasıdır. Entegrasyonun her turda sorunsuz çalışması için mimari sınırlar net tutulur, “bitmiş” tanımı somut bırakılır ve geri bildirim gerçekten ürüne yansıtılır; aksi halde artımlar birikmiş ama bütünlüğü zayıf parçalar haline gelebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Yyuc-B_RNPjE7Lf4.jpeg" /><figcaption>Iterative &amp; Incremental</figcaption></figure><p><strong>Spiral</strong></p><p>Belirsizlik ve risk yüksekken kullanılan ve döngüler halinde ilerleyen bir yaşam döngüsü yaklaşımıdır. Her döngüde önce hedef belirlenir bunun ardından riskler analiz edilir ve en kritik olanları azaltmak için bir prototip ya da deney yapılır. Sonuçlar değerlendirilir, plan güncellenir ve bir sonraki döngüye geçilir. Böylece her turda elde edilen bilgi miktarı artar, risk azalır ve prokenin kapsamı hızlıca netleşir.</p><p>Bu model yeni teknoloji, AR-GE niteliği taşıyan projeler (teknopark projeleri baya bi uygun aslında) veya karmaşık entegrasyon içeren projelerde parıldar. Spiral modeli, erken geri bildirim verir ve büyük hataları erken aşamada yakalar.</p><p>Bu modelde problem çıkabilecek nokta, risk analizi gerçek verilere dayanır ve her döngünün ölçülebilir bir çıktıyla bitmesidir. Aksi halde döngüler uzar ve yön kaybolur. Sağlam tanımlı hipotezler, görünür karar kayıtları ve net durdurma ölçütleri spiral yaklaşımın disiplinini sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*R0DCctQHRtSZRRhW" /><figcaption>Spiral Model</figcaption></figure><p><strong>Çevik (Agile: Scrum/Kanban)</strong></p><p>Gelelim her iş verenin ağzından düşmeyen Agile, Scrum, Scrum Master gibi isteklere konu olan o metoda. Bu metot, belirsizlik ve değişimi varsayım değil gerçek olarak kabul eder. Kısa çevrimler, sürekli geri bildirim ve görünür iş akışıyla değeri parça parça teslim eder. Scrum’da bu ritmi sprintlere böler. Bu sayede net bir hedef, küçük ama odaklı bir artım ve düzenli çalışma olanakları düzenlenir. Çalışma ekibi, sprint başında taahhüt ettiği işi sprint sonunda çalışır durumda gösterir. Kanban’da ise belirli süreler içinde iş yetiştirmek yerine akış yönetimi öne çıkar. İşi görünürleştirir, eş zamanlı iş sayısını sınırlar ve darboğazlara mercek tutarak akışı dengeler. Her iki yaklaşım da “bitti” tanımını somutlaştırır, otomatik test ve CI/CD ile kaliteyi her adımda doğrular ve kararları ölçümle besler.</p><p>Scrum ile Kanban’ı seçmek bağlama bağlıdır. Net bir ritimle keşif ve teslimat dengesini kurmak istiyorsanız Scrum, sürekli akış ve hız dalgalanmalarının önüne geçmek istiyorsanız Kanban daha uygundur. Çoğu ekip zamanla ikisini melezler. Başarıyı toplantı takvimleri değil, öğrenme ve teslimat ritmi belirler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Ls5bwftSHh3qEq6G.png" /></figure><p>Not: Yazıda bolca geçen teknik borç kelimesi, bugün hızlı ilerlemek için yapılan bilinçli ya da farkında olmadan yapılan teknik tavizlerin, gelecekte bakım maliyeti ve yavaşlama olarak geri dönmesi anlamına gelmektedir. Finansal borçtaki gibi “faizi” vardır: kodu değiştirmek, test etmek, hatayı bulmak veya yeni özelliği eklemek her seferinde biraz daha zorlaşır. Bir bug’dan farklıdır; borç, genelde çalışan ama uzun vadede pahalı çözümlerden doğar.</p><h3>Kaynakça</h3><ul><li>Schwaber, K., &amp; Sutherland, J. (2020). <em>The Scrum Guide</em>.</li><li>ISO/IEC/IEEE. (2017). <em>12207: Systems and software engineering — Software life cycle processes</em></li><li>Boehm, B. (1988). <em>A Spiral Model of Software Development and Enhancement</em>. <em>IEEE Computer</em>.</li><li>Royce, W. (1970). <em>Managing the Development of Large Software Systems</em></li><li>Larman, C., &amp; Basili, V. R. (2003). <em>Iterative and Incremental Development: A Brief History</em>. <em>IEEE Computer</em>, 36(6), 47–56.</li><li>ISO/IEC. (2023). <em>ISO/IEC 25010: Systems and software engineering — SQuaRE — Product quality model</em></li><li>Arc42 Quality Guide. (n.d.). <em>ISO/IEC 12207 ve ISO/IEC 25010</em></li><li>Scrum Alliance. (2020). <em>The 2020 Scrum Guide and related content</em></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=437ca472eda1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Customer Lifetime Value (CLTV) Nedir?]]></title>
            <link>https://medium.com/@atakanakin1009/customer-lifetime-value-cltv-nedir-75525dafa2bd?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/75525dafa2bd</guid>
            <category><![CDATA[business]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[cltv]]></category>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[business-development]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Sun, 12 Oct 2025 23:18:51 GMT</pubDate>
            <atom:updated>2025-10-12T23:23:06.110Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*dsfJuz3BBDTVlYXJ.jpg" /></figure><p>Günümüzün iş dünyasında ister B2B ister B2C iş yap sadece yeni müşteriler kazanmak yeterli gelmiyor, önemli olan bir noktada iş yaptığın bütün müşterilerinin gerçek değerini anlamak ve o değeri uzun vadede koruyabilmek. Bugün bahsedeceğim kavram aslında tam olarak bu noktada devreye giriyor.</p><p>Ülkede artık pazarlama bütçeleri her gün daralıyor, reklam maliyetleri artıyor ve müşterinin şirketlerden beklentileri ise hiç olmadığı kadar karmaşık hale geliyor. Türkiye’nin bulunduğu bu konumda hangi müşteriye ne kadar yatırım yapmanız gerektiğini bilmek artık bir tercih değil, hayatta kalma stratejisi haline geldi. CLTV, bir müşterinin markanızla olan tüm ilişkisi boyunca size sağlayacağı toplam finansal değeri ölçer. En yalın haliyle CLTV şu soruya cevap arar;</p><blockquote>Bir müşterinin size kazandırdığı reel getiri, onu kazanmak ve elde tutmak için harcadığınız paraya değer mi?</blockquote><h4>CLTV Nasıl Hesaplanır</h4><p>Akademide bulunmanın, makalelere(IEEE vb.) olan ulaşımı ücretsiz hale getirmesine bayılıyorum. Bu hesaplamaları da eriştiğim o makalelere dayandıracağım.</p><p>En son paragrafta Müşteri Yaşam Boyu Değerini (yazının devamında buna kısaca CLTV diyeceğim), bir müşterinin markayla olan ilişkisi süresince şirkete sağlayacağı net finansal katkının bugünkü değeri olarak tanımlamıştık. <strong>En basit haliyle CLTV, müşterinin ortalama satın alma değeri, satın alma sıklığı ve ortalama ilişki süresi çarpılarak bulunur. Bu işlemin ardından elde edilen gelirden müşteriyle ilgili maliyetler düşülür</strong>. Formül ise şu şekildedir:</p><blockquote>CLTV=(Ortalama Satın Alma Değ​eri<strong>*</strong>Satın Alma Sıklığı<strong>*</strong>Müşteri Ömrü)−Genel Maliyetler <strong>(Berger &amp; Nasr (1998), Lehmann &amp; Stuart (2004))</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*zZeDzqWpb4GNe67m.png" /></figure><p>Peki bu CLTV dediğimiz şeyin sonucu yüksek mi olmalı, düşük mü? Hemen onun da cevabını vereyim. Bir şirket için ideal olan durum, CLTV’nin olabildiğince yüksek olmasıdır. Çünkü yüksek CLTV, her bir müşterinin şirkete uzun vadede daha fazla gelir ve kar sağladığı anlamına gelir. Düşük CLTV ise müşterilerin markayla kısa süreli ilişki kurduğunu, yeterince sadakat geliştirmediğini veya müşteri başına gelirlerin düşük olduğunu gösterir. Ancak CLTV tek başına çok da bir anlam ifade etmemektedir. Bu değerin, müşteri edinme maliyeti (CAC) ile dengeli olması gerekir.</p><p>Gupta ve Lehmann’a göre sağlıklı bir iş modelinde CLTV/CAC oranı genellikle 1/3 civarında olmalıdır; yani bir müşteriden kazanılan değer, o müşteriyi edinmek için harcanan maliyetin en az üç katı olmalıdır (Gupta &amp; Lehmann, 2006).</p><h4>CLTV Nasıl Artırılır</h4><p>CLTV’yi artırmak için, müşteriyi yalnızca bir satış fırsatı olarak değil uzun vadeli bir ilişkiye başlamış gibi düşünmek mantıklı olacaktır. Bunun için öncelikle müşteri deneyimini kişiselleştirmek gerekir; çünkü müşterinin ihtiyaçlarını anlayıp doğru anda doğru teklifi sunmak, hem satın alma sıklığını hem de marka bağlılığını artırır (Reinartz &amp; Kumar, <em>Journal of Marketing</em>, 2003). İkinci olarak, müşteri kaybını (churn) azaltmak CLTV’yi doğrudan yükseltir; memnuniyet, hızlı destek ve güvenilir satış sonrası hizmetler bu noktada kritik rol oynar. Ayrıca, mevcut müşterilere <strong>çapraz satış (cross-sell)</strong> ve <strong>yukarı satış (upsell)</strong> stratejileri uygulamak, müşteri başına düşen geliri artırarak CLTV’yi büyütür. Gupta, Lehmann ve Stuart (2004) sadakat programları, kişiselleştirilmiş öneriler ve uzun vadeli ilişki yönetimi yatırımlarının, markaların müşteri ömrünü uzatarak CLTV’yi sürdürülebilir biçimde yükselttiğini göstermiştir (<em>Journal of Service Research</em>).</p><h4>Şirket Verileriyle CLTV Uygulamaları</h4><p>İlk örnek olarak Starbucks’ın<strong> </strong>sadakat programı örneğini araştırdım ve bunu kullanacağım. Starbucks, mobil uygulaması üzerinden her müşterinin satın alma alışkanlıklarını izleyerek kişiye özel kampanyalar ve ödüller sunmuştur. Bu yaklaşım, hem tekrar satın alma oranını yükseltmiş hem de müşteri memnuniyetini güçlendirmiştir. Reichheld’in (<em>The Loyalty Effect</em>, 1996) vurguladığı gibi, müşteri memnuniyetindeki küçük artışlar bile uzun vadeli karlılıkta büyük sıçramalar yaratabilmektedir.</p><p>Shopify<strong> </strong>ve Zalando<strong> </strong>gibi platformlarsa CLTV verilerini müşteri segmentasyonunda kullanarak hangi müşterilere indirim veya reklam harcaması yapılacağını belirlemekte. Düşük CLTV’ye sahip segmentlerde maliyeti kısmak, yüksek CLTV potansiyeli olan segmentlerde ise iletişimi güçlendirmek stratejik kaynak kullanımını optimize etmektedir. Akademik literatürde Kumar &amp; Reinartz (2016), bu tür “değer bazlı segmentasyon”un şirketlerin pazarlama yatırım getirisini (ROI) %30’dan fazla artırabileceğini araştırarak kanıtlamıştır.</p><h4>Sonuç &amp; Değerlendirme</h4><p>CLTV işine sadece matematiksel bir işlem gibi bakmamak gerek çünkü bu hesaplama aslında şirketlerin geleceğe nasıl baktığını gösteren bir stratejik göstergedir. CLTV’yi anlamak, her müşteriyi bir “gelir kalemi” olarak görmekten çıkıp, uzun vadeli bir değer ortağı olarak kabul etmeyi gerektirir. Amazon’un öneri algoritmaları, Starbucks’ın sadakat sistemleri ya da Netflix’in kişisel içerik stratejileri, hepsi bu anlayışın pratik yansımalarıdır.</p><p>Bence günümüzde sürdürülebilir büyümenin bir yolu, daha fazla müşteri kazanmak yerine eldeki müşterilerin değerini artırmak ve bu değeri koruyabilmektir. CLTV değeri yüksek olan şirketler, kaynaklarını daha akıllıca kullanmakta, pazarlama yatırımlarını veriye dayandırmakta ve her bir müşteriyi stratejik bir varlık gibi yönetmektedir. Akademik literatürün de gösterdiği gibi (Gupta &amp; Lehmann, 2006; Kumar &amp; Reinartz, 2016), müşteri odaklı kârlılık yönetimi, uzun vadeli başarı için en sağlam temeli oluşturur.</p><h4>Kaynakça</h4><ul><li>Berger, P. D., &amp; Nasr, N. I. (1998). <em>Customer lifetime value: Marketing models and applications.</em> Journal of Interactive Marketing, 12(1), 17–30.</li><li>Fader, P. S., &amp; Hardie, B. G. S. (2012). <em>A note on the derivation of the BG/NBD model for customer base analysis.</em> Journal of Marketing Research, 49(6), 827–830.</li><li>Gupta, S., &amp; Lehmann, D. R. (2006). <em>Customer lifetime value: The path to profitability.</em> Wharton School Publishing.</li><li>Gupta, S., Lehmann, D. R., &amp; Stuart, J. A. (2004). <em>Valuing customers.</em> Journal of Service Research, 7(3), 187–203.</li><li>Kumar, V., &amp; Reinartz, W. (2016). <em>Creating enduring customer value.</em> Journal of Marketing, 80(6), 36–68.</li><li>Popa, A. I., Sasu, C., &amp; Tarcza, M. (2021). <em>Investigating the importance of customer lifetime value in modern marketing: A literature review.</em> Academia.edu.</li><li>Reinartz, W., &amp; Kumar, V. (2003). <em>The impact of customer relationship characteristics on profitable lifetime duration.</em> Journal of Marketing, 67(1), 77–99.</li><li>Reichheld, F. F. (1996). <em>The loyalty effect: The hidden force behind growth, profits, and lasting value.</em> Harvard Business School Press.</li><li>Reichheld, F. F., &amp; Sasser, W. E. (1990). <em>Zero defections: Quality comes to services.</em> Harvard Business Review, 68(5), 105–111.</li><li>Safari, M. (2015). <em>Customer lifetime value analysis to profitability management: A framework to strategic marketing.</em> Academia.edu.</li><li>Trind VC. (2023). <em>What is a good CLTV to CAC ratio?</em> Retrieved from <a href="https://trind.vc/">https://trind.vc/</a></li><li>McKinsey &amp; Company. (2022). <em>Customer lifetime value: The customer compass.</em> Retrieved from <a href="https://www.mckinsey.com/">https://www.mckinsey.com/</a></li><li>ChurnZero. (2023). <em>Customer lifetime value &amp; customer acquisition cost ratio explained.</em> Retrieved from <a href="https://churnzero.com/">https://churnzero.com/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=75525dafa2bd" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Fenerbahçe’nin Yeni Pasörü: Alessia Orro]]></title>
            <link>https://medium.com/@atakanakin1009/fenerbah%C3%A7enin-yeni-pas%C3%B6r%C3%BC-alessia-orro-fef890b59677?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/fef890b59677</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[voleybol]]></category>
            <category><![CDATA[volleyball]]></category>
            <category><![CDATA[sports]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Mon, 15 Sep 2025 21:38:17 GMT</pubDate>
            <atom:updated>2025-09-16T06:58:08.684Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*8E5c_9ZhBvRJevkJ.jpg" /></figure><p>Bir süredir aklımda sporla ilgili yazı yazmak vardı. Nasip bugüneymiş. Yazı biraz spontane olacak yanlış bir şeyler yazdıysam affınıza sığınıyorum. Keyifli okumalar.</p><h3>Giriş</h3><p>Fenerbahçe birkaç yıldır Golden Trio’nun da artık büyümesiyle beraber gözünü Şampiyonlar Ligi’ne iyiden iyiye dikti. Ancak sakatlıklar, ritim eksiklikleri ve taraftarların en büyük sorun olarak tanımladığı elit bir pasörün olmayışı nedeniyle istenen başarı bir türlü gelmedi. Zaten bu transferin gerçekleşmesindeki en büyük sebeplerden birisi de taraftar baskısı oldu. Hatta yönetim, oyuncuyu normalde 2026–27 sezonunda takıma katmayı planlarken, taraftarların ısrarlı baskısı sayesinde transfer 2025–26 sezonuna çekildi. Taraftarlara kucak dolusu sevgilerimi ve teşekkürlerimi iletiyorum neticede hayatımızda kaç kere Olimpiyat ve Dünya Şampiyonu olmuş takımın önemli bir parçasını izleyebileceğiz? Lafı çok uzatmadan işin biraz daha ne katabilir kısmına geçmek istiyorum.</p><p>Fenerbahçe’nin liberoları hariç tutulduğu denklemde güncel boy ortalaması <strong>190 cm</strong>, smaç yüksekliği ise <strong>315 cm</strong> civarında. Bu veriler, ligin geneline kıyasla Fenerbahçe’nin hem fiziksel üstünlük hem de hücum potansiyeli açısından abartmazsak en iyi takımlardan birisi olduğunu gösteriyor. Dolayısıyla takımın “<strong>High Ball</strong>” oynaması, mevcut takımın oyuncu profiline çok daha uygun olacaktır. Bu noktada yıllardır hem İtalya Milli Takımı’nda hem de Milano’da Egonu, Antropova, Fahr, veya Danesi gibi uzun ve güçlü hücumcularla oynayan Orro, bahsettiğim sisteme gayet yatkın bir oyuncu seçimi oldu. Bu deneyim, Fenerbahçe’de de aynı düzenin sahaya taşınmasını kolaylaştıracaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8MTBtNEFA4hhZu1jL0QMSw.png" /><figcaption>Takımların Ortalama Smaç Yüksekliği (300 cm altında kalan takımların bazı oyuncuları olmadığı için o kadar düşük hepsini 305 olarak düşünebilirsiniz)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KjkqV4vvUW6b0mrf0Lbkgw.png" /><figcaption>Takımların Ortalama Boyu</figcaption></figure><h3>Orro vs Drca</h3><p>Gönül isterdi ki pasörlerimizi daha çok pasörlere dair istatistiklerle değerlendirelim ama voleybol dünyası maalesef analiz yapmak isteyen kişilere bütün kapılarını sertçe kapattığı için bulabildiğim verilerle bir şeyler derlemeye çalışacağım.</p><p>Drca, maç başına <strong>2.34 hücum sayısıyla</strong> pasörler için aslında aşırı yüksek bir skor katkısı sunuyor. Bu Drca’nın hem pasör plasesini hem de boyunun da getirdiği ekstra bir avantajla şans toplarını manşet almadan file üstünde bitirmesiyle beraber doğrudan sayıya gitmeyi tercih ettiğini gösteriyor. Orro ise hücumdan <strong>1.86 sayı/maç</strong> üretiyor ve bu alanda Drca’nın bir adım gerisinde kalıyor. Yani sayı yükü açısından Drca biraz daha önde.</p><p>Ancak blok ve servis katkısına bakıldığında tablo dengeleniyor. Orro maç başına <strong>1.00 servis sayısı</strong> ile Drca’nın 0.81’lik ortalamasını geride bırakıyor. Bu da Orro’nun servisle doğrudan sayı yaratabilen, rakip karşılama düzenini bozabilen bir pasör olduğunu gösteriyor. Bu aslında servis canavarı bir takım olan Fenerbahçe için mükemmel bir ekleme olduğunu tastikliyor. Serve and Block kısmında Fenerbahçe zaten çok kuvvetliydi özellikle Arina, Ana Cristina ve Vargas’ın servisleriyle beraber ikinci topları şans topuna çevirmeyi çok iyi yapıyordu artık Korneluk ve Orro ile beraber daha da fazla güçlenmiş oldu. Blok tarafında ise iki oyuncu birbirine çok yakın: Drca <strong>0.84 sayı/maç</strong>, Orro ise <strong>0.79 sayı/maç</strong> katkı veriyor. Yani savunma zincirinde ikisi de benzer seviyede katkı sağlıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cPoPeq5f9VFD3oUU10WG-A.png" /></figure><h3><strong>Orro Ne Katar?</strong></h3><p>Alttaki grafiğe bakıldığında Fenerbahçe’nin hücum hattı zaten oldukça güçlü ve dengeli. Vargas (15.06 sayı/maç) ve Arina (15.06 sayı/maç ama sonradan geldi arina çok doğru olmayabilir bu veri) takımın ana skor motorları, Arina ayrıca servis katkısında da öne çıkıyor (2.53). Ana Cristina (10.81) ve Hande (6.83) ikincil hücum opsiyonları olarak hem atakta hem blokta istikrarlı katkı veriyorlar. Yani skor yükü yine bu dört isim arasında çok iyi dağılacaktır.</p><p>Asıl soru şu olmalı bence, <strong>Orro bu istatistikleri yukarı taşıyabilir mi?</strong> Bence cevap oldukça net. Geçen sezonu takip eden birçok kişi bana katılacaktır; Drca, Vargas’ı çoğu zaman oyuncuya uygun yükseklikte ve file uzaklığında topla buluşturamadı. Aynı problem Ana Cristina için de geçerliydi. Arina kadroya dahil olduğunda tablo değişmedi; o da benzer sıkıntıları yaşadı. Drca bana daha çok tipik bir “fast ball” pasörü gibi göründü. Çünkü paslar çok hızlı ve alçaktan geliyordu. Bir aralar Vargas’ın belinin kırılacağından hepimiz korkmuşuzdur ki zaten sakatlık yaşadığı bir dönem de oldu kendisinin. Milli takımda uzun boylu oyuncularla oynamış olsa da, kulüp düzeyinde bu uyumu sahaya yansıtmakta zorlandı.</p><p>Bence Orro’nun farkı tam olarak bu konuda ortaya çıkacaktır. Onun bu yapıya katacağı şey doğrudan sayı yükünü artırmak değil, mevcut hücum gücünü daha verimli ve sürdürülebilir hale getirmek olacak. Orro’nun pas çeşitliliği ve yüksek top oyununa yatkınlığı, özellikle Vargas, Ana Cristina, Hande ve Arina’nın daha rahat hücum etmesini sağlayacak. Blok üstünden gelen topları daha doğru açı ve yükseklikte kullanmaları, hem hücumdaki verimliliği artıracak hem de sakatlık riskini azaltacak gibime geliyor. Ben kişisel olarak Orro’nun geçen yıl yaşanan ve taraftarların arasında da artık hissedilen ‘Smaçörler sanki dengeli paslanmıyor di’mi?’ sorusunu da çözeceğine inanıyorum. Orro ile beraber Ana Cristina da artık oyunun içinde soğumadan Power Hitter’lığını iliklerimize kadar hissettirecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bKM435ZCReWZS3MiStbVQA.png" /></figure><h3>Son Yorum</h3><p>Ben açıkçası Orro’nun büyük bir hayranıyım ve sırf onu izlemek için kombine almayı düşünüyorum. Sahadaki sakinliği, dominant oyuncuları herhangi birisiymiş gibi parmağında oynatması ve oyunun temposunu elinde tutması onu çok özel kılıyor. Egonu gibi bir ismi bile uyumlu hale getirebilmiş bir pasör sonuçta. Bana göre Fenerbahçe’nin Maja’dan sonra gelmiş en iyi pasörü ve sahaya çıkmadan bile kulüp tarihinin en iyisi olma potansiyeline sahip. Onunla birlikte bu takımın hücum gücünün daha da artacağına ve Avrupa’da fark yaratacağına inanıyorum. BAŞARILAR FENERBAHÇE SONU ÇOKÇA ÖZLENEN ŞAMPİYONLAR LİGİ ŞAMPİYONLUĞU OLSUN💛💙</p><h3>Kaynakça</h3><p><a href="https://www.legavolleyfemminile.it/?lang=en">https://www.legavolleyfemminile.it/?lang=en</a></p><p><a href="https://sultanlar.volleystation.com/tr/season/152/">https://sultanlar.volleystation.com/tr/season/152/</a></p><p><a href="https://championsleague.cev.eu/en/">https://championsleague.cev.eu/en/</a></p><p><a href="https://en.volleyballworld.com/">https://en.volleyballworld.com/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fef890b59677" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aşk Nedir ve Tahmin Edilebilir Mi?]]></title>
            <link>https://medium.com/@atakanakin1009/a%C5%9Fk-nedir-ve-tahmin-edilebilir-mi-de1923949758?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/de1923949758</guid>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Fri, 30 May 2025 20:42:01 GMT</pubDate>
            <atom:updated>2025-05-31T08:30:55.785Z</atom:updated>
            <content:encoded><![CDATA[<h3>Giriş</h3><p>Geçenlerde İTÜ’lü mühendis arkadaşımızın aşk algoritması kurduğuna dair bir videoya denk geldim ve kafama takıldı gerçekten bu tarz duygular için bir algoritma geliştirilebilir mi? Geliştirilirse tahmin edilebilir mi? Bunun sonucunda bir dizi araştırma yaptım ve sonuçları sizinle paylaşacağım keyifli okumalar dilerim.</p><p>Aşk, sevgi, nefret vb. duygular şiirden felsefeye, biyolojiden psikolojiye kadar pek çok alanın konusu olup bu yoğun ve çok katmanlı hisleri açıklamaya çalışmıştır. Ancak son yıllarda, bu duyguları anlamaya çalışan yeni bir aktör daha sahneye çıktı: yapay zeka. Günümüzde gelişmiş algoritmalar, insanların davranış kalıplarını, yüz ifadelerini, yazılı ve sözlü iletişim biçimlerini analiz ederek duygusal durumlarını anlamaya hatta tahmin etmeye çalışıyor. Peki ama bütün duyguları bir kenara bırakırsak aşk gibi derin, kişisel ve zaman zaman irrasyonel bir duygu yapay zeka tarafından gerçekten tahmin edilebilir mi?</p><h3><strong>Aşk Nedir?</strong></h3><p>Aşk, insanlık tarihinin en çok konuşulan, en çok hissedilen ve belki de en az anlaşılan deneyimlerinden biridir. Yüzyıllardır edebiyatın, felsefenin ve sanatın ilgi odağı olan bu kavram, modern bilimsel gelişmeler ışığında artık daha çok sinirbilimin, psikolojinin ve hatta yapay zeka araştırmalarının konusu hâline gelmiştir. Bugün aşkı yalnızca bir duygu ya da içsel yaşantı olarak değil, karmaşık bir biyolojik ve bilişsel süreç olarak inceleyebiliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*psuECy8THk-LEgxQ.jpg" /></figure><p>Nörobilimsel araştırmalar, aşkın beyinde oldukça belirli bölgeleri etkileyen bir deneyim olduğunu göstermektedir. Dopamin sistemi, özellikle aşkın başlangıç evresinde aktive olur ve bu durum kişide yoğun bir motivasyon, ödül beklentisi ve haz duygusu yaratır. Oksitosin ve vazopressin hormonları ise bağlanma ve güven hissiyle ilişkilidir; bu nöropeptitler, uzun süreli ilişkilerde duygusal yakınlığı ve sadakati pekiştirir (de Boer, van Buel, &amp; ter Horst, 2012; Babková &amp; Repiská, 2025). Ayrıca NGF (sinir büyüme faktörü) gibi moleküllerin, aşkın özellikle ilk dönemlerinde yüksek seviyelerde seyrettiği ve bunun hem fizyolojik hem de duygusal uyarılmayı etkilediği gösterilmiştir (Babková &amp; Repiská, 2025). Bunları atalım cebe daha sonra lazım olacak bize.</p><p>Psikolojik kuramlar ise aşkı daha çok bir yapı olarak ele alır. Robert Sternberg’in geliştirdiği üçlü aşk kuramına göre aşk, üç ana bileşenden oluşur: yakınlık, tutku ve bağlılık. Bu bileşenlerin farklı oranlarda bir araya gelmesiyle farklı aşk türleri ortaya çıkar. Örneğin, yalnızca tutku içeren bir ilişki “aşk” gibi görünse de, bağlılık ve yakınlık olmadan geçici ve yüzeysel olabilir (Song, Xu, &amp; Zhao, 2022). John Bowlby’nin bağlanma kuramı ise aşkın, çocuklukta ebeveynle kurulan duygusal bağlanma tarzlarından türediğini öne sürer. Bu yaklaşıma göre, güvenli bağlanma geliştiren bireyler yetişkinlikte de sağlıklı, dengeli aşk ilişkileri kurma eğilimindedirler (Bowlby, 1969).</p><p>Psikiyatrist ve antropolog Helen Fisher, aşkı üç temel biyolojik sistem üzerinden açıklar: cinsel dürtü, romantik çekim ve uzun vadeli bağlanma. Her biri farklı beyin bölgelerini ve hormonları aktive eder. Fisher’e göre romantik aşk evrenseldir ve insan türünün hayatta kalmasını sağlamak üzere evrimleşmiştir. Bu sistemler hem örtüşebilir hem de birbirinden bağımsız olarak çalışabilir, bu da aşkın neden bazen mantıksız ya da çelişkili yaşandığını açıklayabilir (Fisher, 2004).</p><p>Aşkın yalnızca biyolojik ya da psikolojik bir süreç değil, aynı zamanda felsefi bir arayış olduğu fikri de oldukça köklüdür. Platon, <em>Şölen</em> (Symposium) adlı eserinde aşkı “güzel olanın peşinde bir arzu” olarak tanımlar. Ona göre aşk, bedensel güzellikten yola çıkarak, zamanla ruhsal güzelliğe ve nihayetinde bilgiye ve hakikate yönelen bir yolculuktur. Aşk, bu anlamda yalnızca bir kişiye yöneltilmiş bir his değil, daha yüce ve evrensel olana duyulan tutkudur (Platon, MÖ 385/2000). Simone de Beauvoir ise aşkın özgürlükle çelişebilecek bir yanı olduğuna dikkat çeker. Aşk ilişkilerinde tarafların birbirini nesneleştirmeden, “öteki” olarak tanımaları gerektiğini savunur. Ona göre, gerçek aşk ancak iki özgür varlık arasında mümkün olabilir (de Beauvoir, 2009).</p><p>Yapılan araştırmalar, insanların antropomorfik(insan özelliklerinin, duygularının veya niyetlerinin insan olmayan varlıklara veya nesnelere atfedilmesi) özellikler taşıyan yapay zeka uygulamalarına karşı da yoğun duygusal bağlar geliştirebildiklerini göstermektedir. Özellikle dijital sohbet robotlarıyla (örneğin Replika) kurulan ilişkilerde kullanıcıların tutku, yakınlık ve bağlılık bildirimlerinde bulunduğu tespit edilmiştir (Li &amp; Zhang, 2024). Bu durum, aşkın sadece insan biyolojisine ya da karşılıklı bedensel etkileşime bağlı olmadığını aynı zamanda bağlamsal ve bilişsel olarak inşa edilen bir süreç olduğunu göstermektedir.</p><p>Yani aşk, yalnızca nörotransmitterlerin ateşlenmesiyle sınırlı bir fenomen değildir. O, aynı zamanda anlam yüklenen, kimlik inşa eden, bireyi “ötekiyle” karşı karşıya getiren ve zaman zaman kendi sınırlarını zorlayan bir insanlık halidir. Aşkı bilimsel olarak incelemek, onun mekanizmalarını çözümlemeye yardımcı olur. Ancak aşkın tüm derinliğini kavrayabilmek, hem bedenin hem zihnin hem de ruhun katıldığı bütüncül bir anlayış gerektirir.</p><h3>Aşk Anlık Mı, Süreçsel Mi?</h3><p>Nörobilimsel ve biyokimyasal çalışmalar aşkın, özellikle başlangıç evresinde <strong>anlık (akut) fizyolojik ve duygusal tepkiler</strong> yarattığını göstermektedir. Dopamin ve NGF (sinir büyüme faktörü) gibi maddeler, yeni başlayan romantik ilişkilerde ani şekilde yükselir. Bu durum, kişide yüksek enerji, odaklanma, iştah azalması, uykusuzluk ve zihinsel takıntı gibi “ilk görüşte aşk” ya da “aşık olma hali” olarak bilinen yoğun tepkilere neden olur (Emanuele et al., 2006; de Boer et al., 2012). Bu etkiler, aşkın başlangıcında gerçekten de <strong>“anlık bir tetiklenme”</strong> olduğunu gösterir.</p><p>Ancak bu anlık deneyim, aşkın bütününü tanımlamak için yeterli değildir. Uzun vadeli ilişkilerde aşk, dopaminin etkisi azaldıkça yerini daha sabit hormonlara (özellikle <strong>oksitosin ve vazopressin</strong> )bırakır. Bu nöropeptitler, bağlanma, güven ve sadakat gibi duygularla ilişkilidir ve aşkın <strong>evrilen bir süreç</strong> olduğunu gösterir (Babková &amp; Repiská, 2025). Bu süreç, bilinçli kararlarla (bağlılık), duygusal yakınlıkla (intimacy), ve fiziksel arzuyla (passion) birlikte ilerler. Yani aşk, <strong>devamlılığı olan bir yapı kazanır. </strong>Buna da zaten sevgi diyoruz.</p><h3>Hangi Özellikler Bize Lazım?</h3><p>“Aşk” gibi öznel, kişiden kişiye değişen, bağlama duyarlı bir fenomen için <strong>tek bir eşik değeri belirlemek mümkün olmamış </strong>ancak <strong>bilimsel ölçütler</strong> ve <strong>istatistiksel eşikler</strong> aracılığıyla aşkın varlığına dair güçlü göstergeler tespit edilebilmiştir. Farklı feature grupları için literatüre dayalı olarak “aşk var” diyebileceğimiz yaklaşık sınır değerler (cut-off değerler) şöyledir. Bu değerler aşk çıktısını etkileyen değerler(Korelasyonu yüksek) üzerinden oluşturulmuştur.</p><h4>1. Duygusal ve Davranışsal Göstergeler</h4><p>Bu veriler genellikle <strong>anketlerle</strong> ya da <strong>doğal dil işleme (NLP)</strong> teknikleriyle ölçülür.</p><p>Yakınlık skoru (1–7 ölçek) ≥ 5 Sternberg, 1986</p><p>Tutku skoru (1–7 ölçek) ≥ 5 Sternberg, 1986</p><p>Bağlılık skoru (1–7 ölçek) ≥ 4.5 Sternberg, 1986</p><p>Mesajlaşma sıklığı ≥ 5 mesaj/gün Li &amp; Zhang, 2024</p><p>Etkileşim süresi ≥ 30 dk/gün Li &amp; Zhang, 2024</p><p>Duygusal pozitiflik skoru (NLP) ≥ 0.6 (ölçek: -1 ile +1 arası)</p><p>Bu değerler birlikte ele alındığında, özellikle 3’lü aşk modeli (intimacy–passion–commitment) skorlarının ortalaması 5 ve üzeri çıktığında romantik aşk deneyiminin güçlü olduğu kabul edilebilir.</p><h4>2. Biyolojik ve Fizyolojik Göstergeler</h4><p>Bu göstergeler bireyler arasında daha fazla değişkenlik gösterebilir. Ancak ortalama popülasyon verilerine göre, “aşk evresinde” olan bireylerde aşağıdaki düzeyler gözlenmiştir:</p><p>NGF seviyesi (ng/mL) ~240 ± 50 ~130 ± 30 Emanuele et al., 2006</p><p>Kortizol (μg/dL) 18–22 10–14 Marazziti &amp; Canale, 2004</p><p>Kalp atış hızı (bpm) +10–15 bazal artış Bazal değer (60–80) de Boer et al., 2012</p><p>Oksitosin (pg/mL) &gt; 200 ~100 Babková &amp; Repiská, 2025</p><p>Yüksek NGF ve kortizol seviyeleri, özellikle aşkın başlangıç evresine işaret eder. Oksitosin ise uzun vadeli bağlanma aşamasında artar.</p><h4>3. Psikolojik Testler ve Kişilik Temelli Veriler</h4><p>Romantizm eğilimi skoru (0–100) ≥ 70 Yüksek romantik eğilim</p><p>Güvenli bağlanma skoru (0–100) ≥ 60 Bowlby kuramına göre aşkı sürdüren tarz</p><p>Nevrotiklik (Big Five — Kaygı, karamsarlık, huzursuzluk, depresif ruh hali, şüphe) &lt; 50 Aşırı düşük ya da yüksek değer aşkı zorlaştırabilir</p><p>Empati skoru ≥ 60 Başarılı aşk ilişkileriyle ilişkili</p><p>Burada önemli olan, yalnızca tek bir değere bakmak değil, <strong>profil olarak bir bütünlük</strong> gösteren veri örüntüsüne sahip olmaktır.</p><h4>4. Çok Değişkenli Eşikler ve Model Skorları</h4><p>Eğer bu feature’lar bir makine öğrenimi modeline (örneğin logistic regression, random forest, veya neural network) veriliyorsa, model sonunda bir <strong>olasılık skoru</strong> üretir:</p><ul><li><strong>Aşk ihtimali ≥ 0.75</strong> → yüksek olasılıkla aşk</li><li><strong>0.50–0.75</strong> → duygusal yakınlık veya flört</li><li><strong>&lt; 0.50</strong> → aşk dışı bağ/ilgi</li></ul><p>Bu tip skorlar, eğitim verisinin aşk olup olmamasına göre etiketlendiği bir denetimli öğrenme modeli ile elde edilir.</p><p>İşin sonunda aşk var diyebilmemiz için;</p><ul><li>Duygusal skorlarda ortalama ≥ 5,</li><li>NGF, oksitosin gibi biyobelirteçlerde anlamlı artış,</li><li>Etkileşim verilerinde günlük 30 dakikanın üzerindeki temas,</li><li>Ve kişilik/bağlanma skorlarında tutarlı bir romantik eğilim gözlenmelidir.</li></ul><p>Ancak bu değerlerin bağlama, kişiye ve kültüre göre değişebileceği unutulmamalıdır. Bu yüzden modeller her zaman <strong>probabilistik</strong> sonuçlar üretmeli ve sabit eşiklerden çok <strong>veriye dayalı karar kuralları</strong> içermelidir.</p><h3>Sonuç</h3><p>Yapay zeka modelleri; bireylerin romantik eğilimleri, bağlanma tarzları, nörohormonal düzeyleri ve dijital davranış kalıplarına (mesaj sıklığı, etkileşim süresi) dayanarak aşkın varlığına dair öngörülerde bulunabilmektedir. Sternberg’in üçlü aşk kuramı ve Bowlby’nin bağlanma kuramı gibi psikolojik çerçeveler bu tür verilerin sayısal olarak modellenmesini mümkün kılmıştır. Aynı şekilde, nörobiyolojik çalışmalar oksitosin, NGF ve dopamin gibi maddelerin aşkın fizyolojik temelleriyle ilişkili olduğunu göstermektedir (de Boer et al., 2012; Babková &amp; Repiská, 2025).</p><p>Japonya’da yapılan bu deneysel çalışmada, romantik partnerlerin yüz ifadeleri ve kalp atış verileri eşleştirilmiş ve makine öğrenimi algoritmaları ile aşk durumu tahmin edilmiştir. Doğruluk oranı, destek vektör makineleri (SVM) ile %80’e kadar ulaşmıştır. (Kano et al. (2021))</p><p>Çeşitli yapay zekâ tabanlı flört uygulamaları (örneğin Tinder, Hily, Bumble) kullanıcı davranışlarından (swipe yönü, mesaj içerikleri, görüşme sıklığı) aşk olasılığı tahmini yapmaya çalışmaktadır. Bu sistemlerde öneri algoritmaları, kullanıcının duygusal eğilimlerine göre optimize edilmektedir.</p><p>“Love Detector” gibi yapay zekâ tabanlı araçlar, metin tabanlı iletişimleri analiz ederek ilişkilerdeki duygusal dinamikleri değerlendirebilmektedir. Bu tür araçlar, metinlerdeki duygusal tonları ve iletişim desenlerini analiz ederek aşkın varlığını veya yoğunluğunu tahmin etmeye çalışmaktadır.</p><p>Benim kendi oluşturduğum yapay bir veri setinde ise yapmaya çalıştığım tahminlemeler %60–65 aralığında bulunmakta. Yakın bir vakitte güzel şekilde derleyip yeni github adresimde(<a href="https://github.com/Atackhan">https://github.com/Atackhan</a>) paylaşacağım. Elimdeki çalışmada ‘aşk var’ durumu yüksek tutarlılıkla tahminlenebilirken ‘aşk yok’ durumu zorluk yaşatmıştır. Bu da aslında şu demek oluyor, aşk yalnızca ölçülebilir göstergelere dayanmayan; kişisel anlamlar, bilinçli seçimler ve yetişilen kültürle alakalı bir deneyim olduğunu söylemektedir.</p><p>Sonuç olarak aşk, <strong>belirli ölçülebilir parametrelerle kısmen tahmin edilebilir</strong> bir olgudur.</p><p><strong>Yazar Notu:</strong></p><p>Buraya kadar her şey bilimseldi, kendi yorumum biraz daha kendi içimi dökmek istediğim şekilde olacak; Aşık olduğumuz kişiler asla birer tesadüf değil, içimizde taşıdığımız duygulara tanıdık gelen kişilere aşık oluyoruz zihin de bu tanıdıklığı aşk olarak tanımlıyor. Belki bu his, anne veya babanın eksik bıraktığı yerleri tamamlayabileceğin bir yanılsamadır yani aşk geçmişteki bir eksikliğin yansımasıdır. Eğer çocukken kendini değersiz hissettiysen, seni yine değersiz hissettirecek birisine tutulabilirsin. Suçlulukla büyüdüysen, seni yargılayana yönelebilirsin.</p><p>Fakat yarın öbür gün gerçekten seven, iyi gelen birisi çıkınca karşımıza geçmişimizdeki yaralarımızla yüzleşmediğimiz için ona aşktan daha çok güvensizlikle bakacağımıza inanıyorum. Bu durum da bize iyi geleni sorgulatabilir, yargılatabilir ve hatta samimiyetinden şüphe ettirebilir çünkü bu duygu yabancı ilk defa görüyoruz. Eğer bir gün geçmişimizdeki patternleri de anlayabilecek kadar derin ve güçlü algoritmalar bulunursa kimin kime aşık olabileceğini de tahmin edebiliriz.</p><p>Okuduğunuz için teşekkür ederim. İyi günler dilerim.</p><h3><strong>Kaynakça</strong></h3><ul><li>Babková, J., &amp; Repiská, G. (2025). <em>The molecular basis of love</em>. International Journal of Molecular Sciences, 26(4), 1533. <a href="https://doi.org/10.3390/ijms26041533">https://doi.org/10.3390/ijms26041533</a></li><li>de Boer, A., van Buel, E. M., &amp; ter Horst, G. J. (2012). Love is more than just a kiss: A neurobiological perspective on love and affection. <em>Neuroscience, 201</em>, 114–124. <a href="https://doi.org/10.1016/j.neuroscience.2011.11.017">https://doi.org/10.1016/j.neuroscience.2011.11.017</a></li><li>Emanuele, E., et al. (2006). Raised plasma nerve growth factor levels associated with early-stage romantic love. <em>Psychoneuroendocrinology, 31</em>(3), 288–294. <a href="https://doi.org/10.1016/j.psyneuen.2005.12.005">https://doi.org/10.1016/j.psyneuen.2005.12.005</a></li><li>Marazziti, D., &amp; Canale, D. (2004). Hormonal changes when falling in love. <em>Psychoneuroendocrinology, 29</em>(7), 931–936. <a href="https://doi.org/10.1016/j.psyneuen.2003.08.006">https://doi.org/10.1016/j.psyneuen.2003.08.006</a></li><li>Sternberg, R. J. (1986). A triangular theory of love. <em>Psychological Review, 93</em>(2), 119–135. <a href="https://doi.org/10.1037/0033-295X.93.2.119">https://doi.org/10.1037/0033-295X.93.2.119</a></li><li>Bowlby, J. (1969). <em>Attachment and loss: Vol. 1. Attachment</em>. Basic Books.</li><li>Fisher, H. (2004). <em>Why we love: The nature and chemistry of romantic love</em>. Henry Holt and Company.</li><li>Acevedo, B. P., &amp; Aron, A. (2009). Does a long-term relationship kill romantic love? fMRI studies of the brain’s reward system. <em>Social Cognitive and Affective Neuroscience, 4</em>(3), 298–307. <a href="https://doi.org/10.1093/scan/nsp019">https://doi.org/10.1093/scan/nsp019</a></li><li>Platon. (MÖ 385). <em>Şölen</em> [Symposium] (S. Eyüboğlu, Çev.). Türkiye İş Bankası Kültür Yayınları (2000 basımı).</li><li>de Beauvoir, S. (2009). <em>The second sex</em> (1949) (C. Borde &amp; S. Malovany-Chevallier, Trans.). Vintage Books.</li><li>Badiou, A. (2012). <em>In praise of love</em>. Verso Books.</li><li>Song, X., Xu, B., &amp; Zhao, Z. (2022). Can people experience romantic love for artificial intelligence? An empirical study of intelligent assistants. <em>Information &amp; Management, 59</em>, 103595. <a href="https://doi.org/10.1016/j.im.2022.103595">https://doi.org/10.1016/j.im.2022.103595</a></li><li>Li, H., &amp; Zhang, R. (2024). Finding love in algorithms: Deciphering the emotional contexts of close encounters with AI chatbots. <em>Journal of Computer-Mediated Communication, 29</em>(5), zmae015. <a href="https://doi.org/10.1093/jcmc/zmae015">https://doi.org/10.1093/jcmc/zmae015</a></li><li>Kano, M., et al. (2021). Identifying romantic attraction through facial expression and heart rate analysis. <em>ACM Transactions on Affective Computing</em>.</li><li>Tiddi, I., &amp; Santos, R. (2016). Ontological modeling of romantic relationships in semantic web systems. <em>Semantic Web Journal</em>. <a href="https://doi.org/10.3233/SW-160230">https://doi.org/10.3233/SW-160230</a></li><li>Yeschat.ai (2025). Love detector: AI for text-based romantic inference. Retrieved from <a href="https://www.yeschat.ai/gpts-9t557aqy8KU-Love-Detector">https://www.yeschat.ai/gpts-9t557aqy8KU-Love-Detector</a></li><li>Joel, S., et al. (2020). What predicts romantic relationship satisfaction? A machine learning analysis of 11,196 couples. <em>PNAS, 117</em>(36), 22061–22071. <a href="https://doi.org/10.1073/pnas.1917036117">https://doi.org/10.1073/pnas.1917036117</a></li><li>Lee, K., et al. (2024). Can AI predict romantic compatibility? Large language models match human intuition in speed dating. <em>arXiv preprint</em>. <a href="https://arxiv.org/abs/2407.10989">https://arxiv.org/abs/2407.10989</a></li><li>Santos, J. D., &amp; Pinto, L. (2025). AI romance and gender bias: Exploring stereotypes in language models. <em>arXiv preprint</em>. <a href="https://arxiv.org/abs/2502.20231">https://arxiv.org/abs/2502.20231</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de1923949758" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Boosting Algoritmaları Üzerine]]></title>
            <link>https://medium.com/@atakanakin1009/boosting-algoritmalar%C4%B1-%C3%BCzerine-cb130a6f6db1?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/cb130a6f6db1</guid>
            <category><![CDATA[kaggle]]></category>
            <category><![CDATA[kaggle-competition]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[boosting]]></category>
            <category><![CDATA[veri-bilimi]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Sun, 11 May 2025 00:37:19 GMT</pubDate>
            <atom:updated>2025-05-11T00:37:19.661Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazımda, son zamanlarda katıldığım Kaggle yarışmalarında her türden veri setinde üstün başarı gösteren boosting algoritmalarından ve özellikle de <strong>CatBoost</strong> algoritmasından bahsedeceğim.</p><p>Eğer son zamanlarda yarışmalardan herhangi birine katıldıysanız muhtemelen fark etmişsinizdir: Problem türü ne olursa olsun (regresyon, sınıflandırma vb.), düşük ezberleme riski ve yüksek tahmin performansıyla öne çıkan, metrikler açısından da (Accuracy, F1, RMSE, MAPE, RMSLE vb.) istenilen seviyeleri tutturabilen iki algoritma var Catboost ve LightGBM. Sizinle beraber bu algoritmalara doğru ufak bir yolculuğa çıkalım. Bahsedilen algoritmalara varana kadar hangi yöntemler var onları anlatayım istiyorum.</p><p>Detaya inmeden önce yazıda çokça göreceğiniz gradient boosting kavramını hemen açıklayayım: Gradient boosting, <strong>bir sürü zayıf tahmincinin (genellikle küçük karar ağaçları)</strong> arka arkaya eğitilerek birleşmesidir. Her yeni model, önceki modelin <strong>yaptığı hataları düzeltmeye çalışır</strong>. Yani şu şekilde çalışır “Abi bizim ilk model biraz hata yaptı, ben o hataları öğreneyim. Sonraki model de kalan hataları düzeltsin.”</p><h3>AdaBoost (Adaptive Boosting)</h3><p>Makine öğrenmesinde basit modellerle güçlü tahminler elde etmek her zaman kolay değildir. Ancak bazen basit modellerin bir araya gelmesi, beklenenden çok daha iyi sonuçlar verebilir. İşte bu fikrin temelinde yer alan algoritmalardan biri de <strong>AdaBoost’</strong>tur.</p><p>AdaBoost, birden fazla “zayıf” sınıflayıcıyı (genellikle çok basit karar ağaçları) art arda eğitip birleştirerek <strong>güçlü bir model</strong> oluşturur. İlk model tüm veriye eşit ağırlık verirken, sonraki modeller, önceki modellerin <strong>yanlış sınıfladığı örneklere daha fazla odaklanır</strong>. Böylece her yeni model, hata yapan alanlara yoğunlaşır ve genel başarıyı artırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/748/0*jldxenbKMLbpVyNm.png" /></figure><p>Bu süreç sonucunda her bir modelin çıktısı, yaptığı hataya göre bir <strong>ağırlıkla</strong> değerlendirilir. Son tahmin, tüm modellerin bu ağırlıklı oylamasına göre yapılır. Bu da bizi bir sürü zayıf modelin oluşturduğu güçlü bir yapıya ulaştırır.</p><p>AdaBoost’un en büyük avantajlarından biri, hızlı ve kolay uygulanabilir olmasıdır. Ayrıca, aşırı öğrenmeye (overfitting) karşı da oldukça dirençlidir. Özellikle <strong>düşük boyutlu ve temiz veri setlerinde</strong> oldukça başarılı sonuçlar verir.</p><p>Peki nerelerde kullanılıyor? Örneğin Hindistan sağlık verisiyle yapılan bir çalışmada, AdaBoost diyabet tahmini için denenmiş; XGBoost kadar başarılı olmasa da %81’e varan doğrulukla anlamlı sonuçlar üretmiştir (Kallur, Yaligar &amp; Thotad, 2024). Görüntü tabanlı saldırı tespitinde, AdaBoost destekli özellik seçimiyle çalışan bir model %99.5 doğruluğa ulaşarak yüksek başarı göstermiştir (Shakshi &amp; Kulhare, 2024). Ayrıca, tıbbi görüntü analizinde kullanılan çeşitli sınıflandırma yöntemlerinin karşılaştırıldığı bir başka araştırmada, Boosting algoritmalarının genellikle Random Forest gibi yöntemleri geçtiği belirtilmiştir (Radhika et al., 2024).</p><p>Kısacası: Basit veriyle uğraşıyorsan AdaBoost seni yarı yolda bırakmaz. Daha karmaşık yapılar içinse rotanı XGBoost gibi yöntemlere çevirmek daha mantıklı olabilir.</p><h3>XGBoost</h3><p><strong>XGBoost (Extreme Gradient Boosting)</strong>, 2016 yılında Tianqi Chen tarafından geliştirilen ve kısa sürede makine öğrenmesi dünyasında standart haline gelen güçlü bir boosting algoritmasıdır. Adı üstünde, bu yöntem klasik gradient boosting’in “ekstrem” hale getirilmiş hali. Yani hız, esneklik ve doğruluk açısından optimize edilmiş bir versiyonudur. XGBoost, özellikle Kaggle yarışmalarında ve üretim ortamlarında üstün performansı sayesinde popülerliğini uzun süredir korumaktadır.</p><p>XGBoost’ta her yeni ağaç, önceki ağaçların tahmin hatalarını minimize etmeye çalışır. Bu hatalar, gradyan (ikinci türev, yani <strong>Hessian</strong>) bilgisiyle optimize edilir; bu da modelin öğrenmesini daha hassas ve verimli hale getirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5y-icVd9EZA-Ge-O.png" /></figure><p>XGBoost’un klasik boosting yöntemlerine göre en büyük avantajlarından biri içine gömülü olarak gelen <strong>L1 ve L2 regularization</strong> desteğidir. Bu iki teknik, modelin eğitim sırasında aşırı karmaşıklaşmasını, yani <strong>overfitting</strong> yapmasını önler. L1 regularization, modeldeki bazı gereksiz özelliklerin ağırlığını tamamen sıfırlayarak onları devre dışı bırakır ve bu sayede daha sade, yorumlanabilir bir model elde edilir. L2 regularization ise tüm özelliklerin ağırlıklarını çok büyümemeleri için baskılar; böylece modelin öğrenme sürecinde aşırıya kaçması engellenir. Bu iki yöntemin birlikte kullanılması, XGBoost’un yüksek doğrulukla birlikte <strong>daha genel geçer ve kararlı</strong> tahminler yapmasını sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fxVjjjsSDlLaf53_.png" /></figure><p>XGBoost modelleri, <strong>SHAP (SHapley Additive Explanations)</strong> ile kolayca yorumlanabilir.</p><p>Shap Nedir? hızlıca onu da açıklayayım. Shap bir makine öğrenmesi modelinin <strong>“bu tahmini neden yaptı?”</strong> sorusuna yanıt veren bir açıklama yöntemidir. Yani modelin karar verirken <strong>hangi özelliğe ne kadar önem verdiğini</strong> tek tek gösterir. Bunu bir grup çalışmasına benzetebilirsiniz: Diyelim ki bir proje yaptınız ve 90 puan aldınız. SHAP, kimin bu puana ne kadar katkı sağladığını hesaplayan “dürüst bir puan dağıtıcı” gibi davranır.</p><h3>LightGBM</h3><p>LightGBM, Microsoft tarafından geliştirilmekte ve tıpkı XGBoost gibi <strong>gradient boosting</strong> prensibini temel almakta. Fakat LightGBM’in en belirgin farkı, karar ağaçlarını <strong>yaprak bazlı (leaf-wise)</strong> büyütmesidir. Geleneksel gradient boosting algoritmaları (AdaBoost veya XGBoost) genellikle ağaçları <strong>seviye bazlı (level-wise)</strong> şekilde büyütür. Yani tüm seviyedeki düğümleri aynı anda genişletir. LightGBM ise her iterasyonda bilgi kazancı en yüksek olan yaprağı seçerek derinleştirir. Bu strateji, daha az ağaçla daha düşük hata oranı sağlar ancak bu da kendi içinde bir risk barındırmaktadır; Eğer dikkatli kullanılmazsa <strong>overfitting</strong> riski artabilir. Bu nedenle <em>LightGBM’de </em><strong><em>max_depth</em></strong><em> gibi sınırlayıcı hiperparametreler oldukça önemlidir.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*MbGOnRbGfg1GAiPJ.png" /></figure><p>En önemli özelliklerinden birisiyse kategorik özellikleri önceden <strong>one-hot encoding</strong> veya <strong>label encoding</strong> gibi işlemlere gerek kalmadan doğrudan işleyebilmesidir. Algoritma, bu tür değişkenleri içsel olarak tanır ve <strong>optimal bölünme noktalarını</strong> kendi belirler. Bu, ön işleme sürecini kısaltır ve özellikle <strong>karmaşık veri setlerinde çok büyük bir avantaj</strong> sağlar.</p><p>Yani özünde LightGBM, XGBoost’un daha hafif ve daha hızlı bir versiyonu olarak düşünülebilir. <strong>Leaf-wise</strong> büyüme stratejisi sayesinde daha az kaynakla daha yüksek doğruluk sağlayabilir. Özellikle çok büyük ve yüksek boyutlu veri setlerinde ciddi hız ve doğruluk avantajı sunar. <strong>Kategorik değişkenleri otomatik olarak işleyebilmesi</strong> ise en büyük avantajlarından biridir.</p><h3><strong>CatBoost</strong></h3><p>Sıra geldi benim favorime.<strong> CatBoost</strong>, 2017 yılında Yandex tarafından geliştirilen ve adını “categorical boosting” ifadesinden alan güçlü bir gradient boosting algoritmasıdır. Özellikle <strong>kategorik verileri işleme yeteneğiyle</strong> dikkat çekmektedir. XGBoost ve LightGBM gibi algoritmalarla aynı temele dayanır — yani ardışık zayıf öğrenicilerle hataları iteratif olarak azaltma prensibine — ancak bazı özel tekniklerle bu süreci çok daha <strong>kararlı, hızlı ve otomatik</strong> hale getirir.</p><p>Peki nedir bu farklı özellikler? Aşağıda inceleyelim.</p><ul><li>CatBoost aynı LightGBM’de olduğu gibi <strong>kategorik verileri doğrudan işler</strong>. Bunun için özel istatistiksel dönüşümler (örneğin target statistics) kullanır ama bunu veri sızıntısını (data leakage) önleyecek şekilde yapar.</li><li>Klasik boosting algoritmaları, eğitim verisinin tamamını kullanarak her yeni modelde hedef değişkenin (target) özetini çıkarmaya çalışır. Bu ise yukarıda bahsettiğim veri sızıntısı problemini körükleyebilir. CatBoost, veri sızıntısı problemini çözmek için <strong>ordered boosting</strong> tekniğini kullanır. Bu yöntem, her örnek için yalnızca geçmiş verileri kullanarak istatistikleri hesaplar. Böylece hem overfitting azalır hem de daha doğru sonuçlar elde edilir.</li><li>CatBoost, diğer algoritmalar gibi serbest büyüyen ağaçlar yerine, <strong>simetrik ağaç yapısı</strong> (oblivious trees) kullanır. Oblivious tree, her seviyede herkese aynı soruyu soran, düzenli ve simetrik yapıya sahip özel bir karar ağacıdır. Normal karar ağaçlarında her veri noktasına farklı özelliklerle farklı sorular sorulurken, oblivious tree’de her seviye için yalnızca tek bir özellik seçilir ve tüm veri örnekleri bu kurala göre ayrılır. Yani kim gelirse gelsin, ilk seviyede “yaş &gt; 30 mu?”, ikinci seviyede “gelir &gt; 5000 mi?” gibi sabit bir sırayla değerlendirilir. Bu yapı sayesinde model daha sade, hızlı ve kararlı olur; özellikle GPU üzerinde paralel çalışmaya çok uygundur. CatBoost’un bu yapıyı tercih etmesinin sebebi de tam olarak budur: karmaşıklığı azaltmak, hızı artırmak ve overfitting riskini düşürmek.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*HSOEuc88wD7kLLkm.png" /></figure><ul><li>Bana kalırsa en önemli özelliği olan otomatik feature engineering kısmı. CatBoost yalnızca kategorik verileri tanımakla kalmaz, aynı zamanda <strong>kategorik özellik birleşimlerini (feature combinations)</strong> de otomatik olarak üretir. Bu sayede model, etkileşimli özellikleri (örneğin “şehir” ve “meslek” kombinasyonu gibi) manuel olarak tanımlamaya gerek kalmadan öğrenebilir.</li></ul><p>Bir karşılaştırma yapmamız gerekirse;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*8ktYO2LOuJp_22rWhiVseg.png" /></figure><p>CatBoost, AdaBoost, XGBoost ve LightGBM saydıklarımın hepsi boosting temelli algoritmalar olsa da farklı özellikleriyle öne çıkmakta. <strong>AdaBoost</strong>, en eski ve en basit yöntemlerden biri olup küçük ve temiz veri setlerinde hızlıca sonuç verirken, overfitting’e karşı dayanıksızdır ve kategorik verileri doğrudan işleyemez.</p><p><strong>XGBoost</strong>, gradyan tabanlı yapısıyla çok daha güçlüdür; düzenleme (regularization) ve paralel eğitim desteği sayesinde özellikle Kaggle yarışmalarında sıkça tercih edilir.</p><p><strong>LightGBM</strong>, XGBoost’un hız açısından optimize edilmiş halidir; leaf-wise ağaç yapısı ve histogram tabanlı hesaplamalarıyla büyük veri setlerinde çok daha hızlı ve hafiftir.</p><p>Ancak en dikkat çekici olanı <strong>CatBoost</strong>’tur çünkü kategorik verileri otomatik işlemesi, simetrik (oblivious) ağaç yapısı ve overfitting’i önleyen ordered boosting yaklaşımı sayesinde hem doğrulukta yüksek performans sunar hem de ön işleme ihtiyacını minimuma indirir. Ayrıca feature engineeringin bir kısmını kendisi yapar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/685/0*G4XL_BcX-YBXtq16.png" /><figcaption>Ağaç Yapıları</figcaption></figure><p>Genel olarak bakıldığında, özellikle <strong>karmaşık, kategorik ve orta-büyük ölçekli veri setlerinde CatBoost</strong> daha kararlı ve üstün performans göstermektedir. Ancak her algoritma, veri setinin yapısına göre avantajlı olabilir; bu yüzden “en iyi” algoritma çoğu zaman probleme göre değişkenlik göstermelidir. Fakat yazının başında da dikkat çektiğim gibi Catboost ve LightGBM şu an bütün yarışmaları domine etmekte.</p><h3><strong>Kaynakça</strong></h3><ul><li>Freund, Y., &amp; Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. <em>Journal of Computer and System Sciences, 55</em>(1), 119–139. <a href="https://doi.org/10.1006/jcss.1997.1504">https://doi.org/10.1006/jcss.1997.1504</a></li><li>Chen, T., &amp; Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In <em>Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining</em> (pp. 785–794). ACM. <a href="https://doi.org/10.1145/2939672.2939785">https://doi.org/10.1145/2939672.2939785</a></li><li>Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., … &amp; Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. In <em>Advances in Neural Information Processing Systems</em>, <em>30</em>, 3146–3154. <a href="https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf">https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf</a></li><li>Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., &amp; Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. In <em>Advances in Neural Information Processing Systems</em>, <em>31</em>, 6638–6648. <a href="https://proceedings.neurips.cc/paper_files/paper/2018/file/14491b756b3a51daac41c24863285549-Paper.pdf">https://proceedings.neurips.cc/paper_files/paper/2018/file/14491b756b3a51daac41c24863285549-Paper.pdf</a></li><li>Lundberg, S. M., &amp; Lee, S.-I. (2017). A unified approach to interpreting model predictions. <em>Advances in Neural Information Processing Systems</em>, <em>30</em>, 4765–4774. <a href="https://proceedings.neurips.cc/paper_files/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf">https://proceedings.neurips.cc/paper_files/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf</a></li><li>Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. <em>Annals of Statistics, 29</em>(5), 1189–1232. <a href="https://doi.org/10.1214/aos/1013203451">https://doi.org/10.1214/aos/1013203451</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cb130a6f6db1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Borsa Hisselerinin Tahmin Edilememesinin Sebepleri]]></title>
            <link>https://medium.com/@atakanakin1009/borsa-hisselerinin-tahmin-edilememesinin-sebepleri-eda5a1a65b80?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/eda5a1a65b80</guid>
            <category><![CDATA[borsa]]></category>
            <category><![CDATA[tahmin]]></category>
            <category><![CDATA[hisse]]></category>
            <category><![CDATA[makine-öğrenmesi]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Sun, 27 Apr 2025 01:15:56 GMT</pubDate>
            <atom:updated>2025-04-27T01:16:42.288Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*mr28cinDzFTOx--D.png" /></figure><p>Borsa piyasaları, yatırımcılar ve ekonomi dünyası için sürekli değişim içinde olan, karmaşık ve dinamik sistemlerdir. Bu sistemlerde hisse senedi fiyatlarının gelecekteki hareketlerini tahmin etmek, her zaman büyük bir ilgi ve çaba konusu olmuştur. Doğru tahminler, piyasadaki risklerin önceden görülmesini ve yatırım portföylerinin daha etkin bir şekilde yönetilmesini sağlar. Bu nedenle, finansal piyasalarda geleceğe yönelik bilgi edinme arzusu, hisse senedi tahmin çalışmalarının temel motivasyonudur. Ama unutulmamalıdır ki kolay yoldan zengin olmak diye bir şey maalesef yok. Bu yazımda sizlere “Ben şu modelle %90 doğru tahminliyorum bence bu hisseye yatırım yapmalıyız.” diyen dostlarınıza neden güvenmemeniz gerektiğini anlatıyor olacağım.</p><p>Yazıma, sizi hemen bilgiye boğmadan önce bir örnek vererek başlamak istiyorum. Tarihsel süreçte piyasa tahminleme çalışmalarının belirli periyotlarda başarılı görünüyor olmasına rağmen uzun vadede ciddi başarısızlıklarla sonuçlandığı görülmektedir. Bunun en büyük örneklerinden birisi ise Long-Term Capital Management’in çöküşüdür;</p><h4><strong>Long-Term Capital Management’ın Çöküşü (1994–1998)</strong></h4><p><strong>Long-Term Capital Management (LTCM)</strong>, 1994 yılında kurulan ve alanında son derece prestijli olan bir serbest yatırım fonuydu(hedge). Fonun kurucuları arasında iki Nobel Ekonomi Ödülü sahibi ekonomist Robert C. Merton ve Myron S. Scholes bulunuyordu. (Bu ikili, özellikle <strong>opsiyon fiyatlama</strong> üzerine geliştirdikleri <strong>Black-Scholes modeli</strong> ile ünlüdür.)</p><p>LTCM, finansal piyasaların matematiksel olarak modellemenin mümkün olduğu fikrine dayanıyordu. Çok karmaşık istatistiksel ve finansal modeller kullanarak, piyasalardaki <strong>fiyat anomalilerini</strong> ve <strong>küçük arbitraj fırsatlarını</strong> belirleyip, büyük kaldıraçlar(küçük sermayenin büyük yatırım yapması) kullanarak bu fırsatlardan sistematik şekilde kazanç elde etmeyi hedefliyordu.</p><p>Başlangıçta LTCM çok büyük bir başarı gösterdi. 1994–1997 yılları arasında fon, yıllık ortalama %40 civarında getiriler sağladı. Bu başarı, hem fon yöneticilerinin akademik itibarı hem de kullandıkları sofistike finansal modeller nedeniyle LTCM’yi finansal dünyada adeta bir efsaneye çevirdi. Yüksek kaldıraç kullanımıyla küçük fiyat hareketlerinden büyük karlar elde etmeyi başardılar ve Wall Street’in en prestijli yatırım bankaları dahil olmak üzere birçok büyük kurumsal yatırımcıdan döneme göre çok yüksek meblağlarda destek aldılar. Fakat bir sorun vardı piyasaların normal dağılıma veya tarihe dayalı korelasyonlara uymadığı dönemler olurdu; “Kriz Dönemleri”.</p><p>LTCM’nin çöküşü de 1998 yılında, beklenmedik bir dışsal şokun ardından geldi. Ağustos 1998&#39;de, Rusya hükümeti devlet tahvilleri üzerinde temerrüde(şahsın borcunu zamanında ödenmemesi durumu) düştü. Bu gelişme, küresel piyasalarda büyük bir belirsizlik ve volatilite(fiyatlardaki oynaklık) dalgası yarattı. LTCM’nin pozisyonlarının temel dayanağı olan piyasa korelasyonları tamamen çöktü; normalde birbirine zıt hareket etmesi beklenen varlıklar aynı anda aynı yönde değer kaybetmeye başladı.</p><p>Fon, çok yüksek kaldıraçla işlem yaptığı için, küçük fiyat hareketleri bile devasa zararlara yol açtı. Birkaç hafta içinde LTCM’nin portföyü %90&#39;dan fazla değer kaybetti. Bu çöküş, küresel finansal sistemi tehdit edecek kadar ciddi sistemik riskler oluşturdu. Amerikan Merkez Bankası (Federal Reserve), büyük yatırım bankalarını organize ederek LTCM’yi iflastan kurtardı ve finansal sistemdeki daha büyük bir çöküşü önlemeye çalıştı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/0*c29nn41qIIRD4-UD.png" /><figcaption>LTCM’in Düşüşü</figcaption></figure><p>Peki bir örnek verdiğimize göre bu tahmin işlemleri neden patlıyor? Ana sebepleri nelerdir birazcık da bunları inceleyelim.</p><h3><strong>Piyasaların Yüksek Karmaşıklığı ve Dinamik Yapısı</strong></h3><p>Finansal piyasaların yüksek karmaşıklığı, çok sayıda ve birbirine bağlı faktörün bir arada çalışmasından kaynaklanır. Bir hisse senedinin veya herhangi bir finansal varlığın fiyatı sadece şirketin iç dinamikleriyle değil aynı zamanda ekonomik göstergeler, politik gelişmeler, yatırımcı psikolojisi ve küresel olaylar gibi çok farklı alanlardan gelen etkilerle şekillenir.</p><p>Bu faktörler arasındaki ilişkiler ise çoğu zaman doğrusal değildir; yani bahsettiğim faktörlerden birisindeki küçücük bir oynama, piyasa üzerinde kelebek etkisi yaratarak beklenmedik ve orantısız sonuçlar doğurabilir. Örneğin, faiz oranlarında ufak bir artış(2004&#39;te %1&#39;ken 17 kere arttırılarak 2006 yılında %5.25&#39;e yükselmişti) emlak sektöründe büyük fiyat hareketlerine yol açıp mortgage krizinin tetiklenmesinde rol oynamıştı. Bu doğrusal olmayan yapı, piyasaların tahmin edilmesini son derece zorlaştırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/0*25OkKOAwuJ77Y560.gif" /><figcaption>ABD Federal Servisinin Sağladığı 2002–2006 Arası Faiz Değişimi Verisi</figcaption></figure><p>Piyasaların dinamikliği, bu karmaşık ilişkilerin zamanla değişmesi anlamına gelir. Ekonomik döngüler, teknoloji gelişmeleri, sosyal eğilimler ve politik riskler zaman içerisinde piyasaların yapısını sürekli olarak dönüştürür. Örneğin, 20. yüzyılın ortasında sanayi şirketleri piyasa değerinin büyük kısmını oluştururken, günümüzde teknoloji şirketleri bu rolü üstlenmiştir. Aynı şekilde, yatırımcıların risk algıları da kriz dönemlerinde kimsenin anlam veremeyeceği bir şekilde değişir. Güvenli liman varlıklarına yönelim artar ve piyasa korelasyonları olağan zamanlardakinden farklılaşır.</p><p>Piyasalardaki bu karmaşık ve değişken doğa, yatırımcı davranışlarıyla daha da pekişir. Yatırımcılar rasyonel hareket etmeyebilir; sürü psikolojisi, aşırı iyimserlik veya panik gibi duygusal tepkiler, fiyat hareketlerini tahmin edilmesi güç şekillerde etkileyebilir. Buna verebileceğimiz en yakın örnek 2019 Covid krizidir. Oluşan o belirsizlik ortamı(küresel talebin durması, tedarik zinciri sıkıntıları, gelir ve kar beklentilerinin çökmesi ve petrol fiyatlarının çöküşü) insanlarda yankı bularak S&amp;P 500 Endeksine bir ayda %34 ve Dow Jones’a (Amerika sanayi şirketlerini temsil eden endeks) %37 değer kaybettirdi ve hatta sırf bu yüzden ABD uzun bir süre sonra birkaç kez devre keserek (otomatik işlemlerin durdurulması) önlem almaya çalıştı ama bu insanları çok daha büyük bir paniğe itmekten başka bir işe yaramamıştı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/939/1*kfzDnCJuhJrcoQNQ1W6YBA.png" /><figcaption>Dow Jones</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q1SVOqiGJu6oneXL8t4Yjw.png" /><figcaption>S&amp;P Endeksi</figcaption></figure><p>Bu yüksek karmaşıklık ve dinamizm, matematiksel modellere dayanan tahmin çabalarının sınırlarını açıkça ortaya koymaktadır. Modeller genellikle belirli varsayımlara dayanır: örneğin, geçmişteki korelasyonların gelecekte de geçerli olacağı, volatilitenin belirli aralıklarda kalacağı veya yatırımcıların rasyonel davranacağı gibi. Ancak gerçek dünyada bu varsayımlar sıklıkla bozulur. Özellikle kriz zamanlarında, geçmişle uyumsuz, ani ve büyük çaplı değişimler yaşanır. Bu da, en mantıklı modellemelerin bile piyasadaki gerçek davranışları tam olarak öngörememesine neden olur. İnsan faktörünü diğer maddede çok daha detaylı bir biçimde anlatıyor olacağım.</p><h3>Finansal Zaman Serilerinin Gürültü İçermesi</h3><p>Finansal zaman serileri, ekonomik ve yatırım kararlarının temel dayanaklarından biri olmasına rağmen, doğaları gereği yüksek düzeyde rastlantısal bileşenler yani “gürültü” içerir. Gürültü, fiyat hareketlerinin yalnızca ekonomik temellerle değil; rastlantısal, irrasyonel ya da küçük dışsal etkilerle de şekillendiğini ifade eder. Bu durum, finansal varlıkların fiyatlarının her zaman belirli ve rasyonel sebeplerle değişmediğini, aksine önemli ölçüde öngörülemezlik ve belirsizlik taşıdığını göstermektedir.</p><p>Finansal serilerin bu kadar gürültülü olmasının temel sebeplerinden biri, piyasadaki milyonlarca aktörün (bireysel yatırımcılar, kurumsal fonlar, algoritmik sistemler ) kendine ait bilgi, beklenti ve psikolojik eğilimlerine göre hareket etmeleridir. Yatırımcılar çoğu zaman tamamen rasyonel davranmaz; korku, açgözlülük veya belirsizlik gibi duygusal tepkiler, fiyatlarda ani ve açıklanamaz dalgalanmalara yol açabilir (Shiller, 2000). Bunun yanında, medya haberleri, politik açıklamalar veya sosyal medyada yayılan söylentiler gibi gerçek ekonomik temellerle doğrudan ilgisi olmayan etmenler de piyasa hareketlerini etkileyebilir ve zaman serisine rastgelelik katabilir.</p><p>Gürültünün bir diğer kaynağı da teknolojik gelişmelerdir. Özellikle son yıllarda yaygınlaşan algoritmik ve yüksek frekanslı işlemler (high-frequency trading) piyasada saniyeler içinde çok sayıda işlem yapılmasına neden olmuş ve fiyatların kısa vadede daha dalgalı bir yapıya bürünmesine yol açmıştır (Aldridge, 2013). Bu tarz işlemler, varlık fiyatlarındaki mikro dalgalanmaları artırarak, zaman serilerindeki gerçek trend sinyallerinin tespit edilmesini daha da güçleştirmiştir.</p><p>Bu yüksek gürültü seviyesi, finansal tahmin modelleri üzerinde ciddi zorluklar yaratır. Özellikle kısa vadeli tahminlerde, gürültü sinyalin önüne geçer ve modellerin hata oranlarını yükseltir. Tahmin yapmaya çalışan istatistiksel ve makine öğrenmesi temelli modeller, çoğu zaman gerçek ekonomik sinyalleri değil, veri içerisindeki rastlantısal oynaklıkları öğrenme riski taşır. Bu da modelin aşırı uyum (overfitting) yapmasına ve gelecekte düşük performans göstermesine sebep olur (Brock, Lakonishok, &amp; LeBaron, 1992).</p><h3><strong>Veri Dağılımının Değişkenliği (Non-Stationarity)</strong></h3><p>Finansal zaman serileri ve birçok ekonomik veri seti, doğaları gereği sabit bir dağılım göstermemekte zamanla önemli değişiklikler sergilemektedir. Bu olgu, literatürde <strong>non-stationarity</strong> (durağan olmama) olarak adlandırılır. Bir zaman serisi, ortalaması, varyansı veya kovaryansı zaman içinde değişiyorsa, durağan değildir. Bu tür serilerde geçmişe bakarak geleceği tahmin etmek son derece zorlaşır çünkü verinin temel istatistiksel özellikleri sabit kalmaz (Hamilton, 1994).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/390/0*4gj3itFXFsY1W4Vq.png" /><figcaption>Durağan ve Durağan Olmayan Zaman Serisi Örneği</figcaption></figure><p>Örneğin, bir hisse senedinin fiyatı yıllarca hafifçe dalgalanıp belirli bir aralıkta seyrederken, ani bir ekonomik kriz veya şirket içi bir skandal sonrasında bambaşka bir fiyat seviyesine oturabilir. Bu durumda fiyatın ortalama seviyesi ve dalgalanma aralığı (varyansı) değişmiştir. Yani geçmişteki fiyat hareketlerinden çıkarılacak istatistiksel desenler artık gelecekte geçerli olmayabilir. Bu, özellikle 2008 Küresel Finansal Krizi’nde açıkça gözlemlenmiştir. Kriz öncesi volatilite seviyeleri düşükken, Lehman Brothers’ın iflası gibi büyük olaylar sonrası volatilite saçmalık derecesinde bir biçimde artmış ve piyasa davranışları tamamen farklılaşmıştır.</p><p>Non-stationarity, sadece kriz dönemlerinde değil, uzun vadeli ekonomik değişimlerle de ortaya çıkabilir. Örneğin, bir ülkenin enflasyon oranı zaman içinde yapısal değişiklikler geçirirse (örneğin İngiltere’de 1970&#39;lerdeki yüksek enflasyon sonrası Margeret Thatcher ile beraber 1980&#39;lerde para politikasının sıkılaştırılması gibi), bu değişim ekonomideki diğer seriler üzerinde de kalıcı etkiler yaratır. Böylece, geçmiş veriye dayalı yapılan tahmin modelleri yeni dönemin koşullarında hatalı sonuçlar verebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/0*mZnWKHdH6NTfGx2g.jpeg" /></figure><h3>Ölçülemeyen Bilgiler ve Gizli Değişkenler</h3><p>Finansal piyasalar, yalnızca gözlemlenebilen ekonomik değişkenlerin etkisi altında hareket etmez; aynı zamanda doğrudan ölçülemeyen, gizli ya da eksik bilgilerin de etkisi altındadır. Bu olgu, finansal modelleme ve tahmin çalışmalarında büyük bir belirsizlik kaynağı oluşturur. Özellikle hisse senedi fiyatları gibi varlık fiyatlarında piyasa tarafından algılanan ancak analistler veya modeller tarafından doğrudan gözlemlenemeyen faktörler önemli rol oynar (Fama, 1970).</p><p>Ölçülemeyen bilgiler, piyasadaki tüm aktörlerin eşit erişimine açık olmayan veya doğrudan veriyle anlatılamayan unsurlar olabilir. Bunlar arasında, şirket yönetimi tarafından alınan henüz açıklanmamış stratejik kararlar, yönetimden sızdırılan bilgiler, yaklaşan birleşme ve satın alma süreçleri ya da regülasyon değişikliği beklentileri gibi unsurlar yer alır. Bu tür bilgiler, “Zaten kaç kişi biliyor bu bilgiyi ne olabilir?” dense dahi piyasa fiyatlarında hareketlilik yaratabilir. Dolayısıyla, yalnızca kamuya açık verilere dayanan modeller bu gizli değişkenlerin etkisini kaçınılmaz olarak göz ardı eder ve tahmin hatasına maruz kalır.</p><p>Piyasaların mikro yapısından kaynaklanan bazı ölçülemeyen etkiler de söz konusudur. Örneğin, büyük yatırımcıların (hedge fonları, varlık yönetim şirketleri gibi) ani pozisyon değişimleri veya yüksek frekanslı alım-satım algoritmalarının piyasa likiditesi(varlığın değer kaybetmeden nakde çevrilebilme kolaylığı) üzerindeki etkileri, genellikle halka açık veri setlerinde tam olarak görülemez. Ancak bu hareketler, fiyatların kısa vadede önemli ölçüde dalgalanmasına neden olabilir (Easley, López de Prado, &amp; O’Hara, 2012).</p><h3>Ekstra</h3><p>Finansal piyasalarda, ani ve sert düşüşleri önceden tahmin edebilmek amacıyla geliştirilmiş çeşitli teknik analiz göstergeleri bulunmaktadır. Bunlardan biri de, adı kadar ürkütücü olan <strong>Hindenburg Omeni</strong> (Hindenburg Omen) göstergesidir.</p><h4><strong>Hindenburg Omen</strong></h4><p>1995 yılında James R. Miekka tarafından geliştirilen bu gösterge, adını 1937 yılında yaşanan ve tarihe büyük bir felaket olarak geçen <strong>Hindenburg Zeplin Faciası</strong>ndan alır. Bu dramatik isim, göstergenin ciddi piyasa çöküşleri için bir uyarı sinyali verdiğini ima etmektedir (Miekka, 1995).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*91Bn7tHwWsTv52pE" /><figcaption>Hindenburg Zeplini</figcaption></figure><p>Hindenburg Omeni, özellikle <strong>ABD hisse senedi piyasasında</strong> (başta New York Borsası (NYSE) )oluşabilecek büyük bir çöküşü öngörmeye çalışır. Temel varsayımı, sağlıklı bir piyasada ya çoğu hisse senedinin yükselmesi ya da çoğunun düşmesi gerektiğidir. Eğer aynı anda çok sayıda hisse yeni zirveler yaparken, yine çok sayıda hisse dip seviyelere iniyorsa bu durum piyasada <strong>altta yatan ciddi bir yapısal zayıflık</strong> olduğuna işaret eder. Böyle bir ayrışma, genellikle piyasa geneline yayılan bir istikrarsızlık ve belirsizlik ortamının habercisidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*otLdhYxB_ASS1lRd.png" /><figcaption><strong>Haziran 2007’de NASDAQ’ta Hindenburg Omen sinyalleri çıkmaya başladı.</strong><br> <strong>Aralık 2007&#39;de ise NASDAQ düşüşe geçti ve 2008 Küresel Krizi başladı. NASDAQ</strong>, dünya çapında teknoloji ağırlıklı şirketlerin işlem gördüğü, tamamen elektronik sistemle çalışan, dinamik ve yenilikçi bir Amerikan borsasıdır.</figcaption></figure><p>Hindenburg Omeni’nin teknik olarak oluşabilmesi için belirli koşulların aynı anda gerçekleşmesi gerekir. Bunlar arasında, NYSE’de yeni zirve yapan ve yeni dip yapan hisse senetlerinin sayısının toplam işlem gören hisselerin belli bir yüzdesinin üzerinde olması (%2.2 ila %2.8 arasında), NYSE Bileşik Endeksi’nin 52 haftanın en yüksek seviyesine yakın olması ve piyasanın genel eğiliminin yukarı yönlü olması gibi kriterler bulunur. Bu şartların tamamının bir arada gerçekleşmesi, Hindenburg Omeni’nin “aktif” hale gelmesi anlamına gelir.</p><p>Ancak, Hindenburg Omeni’nin ne olduğunu anlamak kadar <strong>ne olmadığını</strong> da doğru kavramak gerekir. Öncelikle, bu gösterge <strong>doğrudan bir çöküş garantisi vermez</strong>. Hindenburg Omeni yalnızca, piyasanın teknik yapısında anormal bir çatışma ve bozulma olduğuna işaret eder; yani bir alarm sinyali sunar, fakat kesin bir düşüş öngörmez. Tarihsel veriler incelendiğinde, Hindenburg Omeni sinyallerinin bir kısmı gerçekten büyük piyasa düzeltmeleriyle sonuçlanmış (örneğin 1987 Kara Pazartesi öncesi) olsa da, birçok durumda piyasalar düşüş yaşamadan toparlanmıştır (Kline, 2009).</p><p>Buna ek olarak, Hindenburg Omeni yalnızca teknik göstergelere dayanır ve temel ekonomik verileri (örneğin büyüme oranları, istihdam verileri) dikkate almaz. Bu nedenle makroekonomik koşullardan tamamen bağımsız bir sinyal verir. Bu, göstergeyi teknik analiz severler için cazip kılarken, temel analiz perspektifinden yaklaşan yatırımcılar için bir sınırlılık oluşturur.</p><h3><strong>Sonuç</strong></h3><p>Finansal piyasalar yüksek düzeyde karmaşık, bilgi eksikliği içeren, insan psikolojisinden doğrudan etkilenen ve sürekli değişen yapılar olduğu için, tam anlamıyla ve sürekli doğru biçimde tahmin edilemezler. Bu durum, piyasaların yapısal bir özelliğidir ve modern finans teorisinin en önemli kabul noktalarından birini oluşturur.<br>Bu nedenle finansal modelleme çalışmalarında, her zaman belirli bir <strong>hata payı</strong> ve <strong>belirsizlik</strong> olduğu kabul edilmeli ve analizler buna göre tasarlanmalıdır.</p><h3>Kaynakça</h3><p>Baker, S. R., Bloom, N., Davis, S. J., Kost, K., Sammon, M., &amp; Viratyosin, T. (2020). The unprecedented stock market impact of COVID-19. <em>National Bureau of Economic Research</em>, Working Paper №26945. <a href="https://doi.org/10.3386/w26945">https://doi.org/10.3386/w26945</a></p><p>Box, G. E. P., Jenkins, G. M., &amp; Reinsel, G. C. (2015). <em>Time Series Analysis: Forecasting and Control</em> (5th ed.). Wiley.</p><p>Brunnermeier, M. K., &amp; Pedersen, L. H. (2009). Market liquidity and funding liquidity. <em>Review of Financial Studies</em>, 22(6), 2201–2238. <a href="https://doi.org/10.1093/rfs/hhn098">https://doi.org/10.1093/rfs/hhn098</a></p><p>Chekhlov, A., Uryasev, S., &amp; Zabarankin, M. (2005). Portfolio optimization with drawdown constraints. <em>Mathematical Programming</em>, 105(2–3), 427–461. <a href="https://doi.org/10.1007/s10107-005-0583-8">https://doi.org/10.1007/s10107-005-0583-8</a></p><p>Easley, D., López de Prado, M. M., &amp; O’Hara, M. (2012). Flow toxicity and liquidity in a high-frequency world. <em>The Review of Financial Studies</em>, 25(5), 1457–1493. <a href="https://doi.org/10.1093/rfs/hhs053">https://doi.org/10.1093/rfs/hhs053</a></p><p>Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. <em>The Journal of Finance</em>, 25(2), 383–417. <a href="https://doi.org/10.2307/2325486">https://doi.org/10.2307/2325486</a></p><p>Hamilton, J. D. (1994). <em>Time Series Analysis</em>. Princeton University Press.</p><p>Kline, B. (2009). Hindenburg Omen: Indicator of Market Health or Hype?. <em>Financial Analysts Journal</em>, 65(4), 14–17. <a href="https://doi.org/10.2469/faj.v65.n4.2">https://doi.org/10.2469/faj.v65.n4.2</a></p><p>Miekka, J. R. (1995). The Hindenburg Omen: A Technical Analysis for Predicting Stock Market Crashes. <em>Market Technician Journal</em>.</p><p>Shiller, R. J. (2000). <em>Irrational Exuberance</em>. Princeton University Press.</p><p>Taylor, S. J. (2007). <em>Modelling Financial Time Series</em> (2nd ed.). World Scientific Publishing.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eda5a1a65b80" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tokyo ve Nürnberg Mahkemeleri’nde Sınıf C Suçları: İnsanlığa Karşı Suçların Uluslararası Hukuka…]]></title>
            <link>https://medium.com/@atakanakin1009/tokyo-ve-n%C3%BCrnberg-mahkemelerinde-s%C4%B1n%C4%B1f-c-su%C3%A7lar%C4%B1-i%CC%87nsanl%C4%B1%C4%9Fa-kar%C5%9F%C4%B1-su%C3%A7lar%C4%B1n-uluslararas%C4%B1-hukuka-0d5c5a9b1b8f?source=rss-dbbc6adf985f------2</link>
            <guid isPermaLink="false">https://medium.com/p/0d5c5a9b1b8f</guid>
            <category><![CDATA[i̇nsan-hakları]]></category>
            <category><![CDATA[adalet]]></category>
            <category><![CDATA[savaş-suçu]]></category>
            <category><![CDATA[tarih]]></category>
            <dc:creator><![CDATA[Atakan AKIN]]></dc:creator>
            <pubDate>Fri, 11 Apr 2025 11:54:08 GMT</pubDate>
            <atom:updated>2025-04-11T11:54:08.549Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GylWPUYyYNRXug6z.jpg" /><figcaption>Başsavcı Robert H. Jackson, Nürnberg Uluslararası Askerî Mahkemesi’nde Nazi liderlerine karşı açılan davanın açılış konuşmasını yaparken — 21 Kasım 1945.</figcaption></figure><h3>Tokyo ve Nürnberg Mahkemeleri’nde Sınıf C Suçları: İnsanlığa Karşı Suçların Uluslararası Hukuka Etkisi</h3><p><strong>Özet:</strong><br>Tokyo ve Nürnberg Uluslararası Askerî Mahkemeleri, II. Dünya Savaşı sonrası savaş suçlularının yargılanmasında bir dönüm noktası olmuş; özellikle bireylerin uluslararası hukuk önünde sorumlu tutulması gibi köklü dönüşümler yaratmıştır. Bu yazıda, her iki mahkemenin özellikle <strong>Sınıf C suçları</strong> olarak kategorize edilen <strong>insanlığa karşı suçlar</strong> üzerindeki kararları incelenmekte; bu suçların tanımı, kapsamı ve uluslararası hukuk sistemine etkileri makalelere dayandırılarak karşılaştırmalı bir biçimde değerlendirilmektedir.</p><h3>GİRİŞ</h3><p>İkinci Dünya Savaşı’nın ardından kurulan Nürnberg ve Tokyo Uluslararası Askerî Mahkemeleri, yalnızca savaş suçlularının yargılanmasına hizmet eden geçici adalet mekanizmaları olmanın ötesine geçmiş ve bireylerin uluslararası hukuk önünde doğrudan cezai sorumluluk taşıyabileceğini somut biçimde ortaya koyarak modern uluslararası ceza hukukunun gelişimine yön vermiştir. Bu mahkemeler kapsamında suçlar üç temel kategoride sınıflandırılmış;</p><p><strong>(Sınıf A), barışa karşı suçlar</strong></p><p><strong>(Sınıf B), savaş suçları</strong></p><p><strong>(Sınıf C), insanlığa karşı suçlar</strong></p><p>şeklinde ayrıştırılmıştır. Özellikle Sınıf C suçları, sivillere yönelik kitlesel ve sistematik şiddetin yargılanabilmesini mümkün kılması bakımından dikkat çekici bir yenilik sunmuş, hukukla ahlak arasında yeni bir bağ kurmuştur. Bu bağlamda her iki mahkemede insanlığa karşı suçların tanımlanması, sınırlarının çizilmesi ve cezalandırılmasına yönelik yaklaşımlarıyla hem birbirinden ayrılmış hem de uluslararası hukukun temel dayanaklarını birlikte şekillendirmiştir. Bu yazı, Sınıf C suçlarının söz konusu mahkemelerde nasıl ele alındığını, hangi farklılıklarla uygulandığını ve bu yargılamaların uluslararası ceza hukuku literatürüne katkılarını karşılaştırmalı olarak incelemeyi amaçlamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*1zxRBQ3oXyJ61KKE.jpg" /><figcaption><strong>Nürnberg Mahkemesi’nde Yargılanan Nazi Liderleri</strong></figcaption></figure><h3>Nürnberg Mahkemesi ve Sınıf C Suçları</h3><p>Nürnberg Mahkemesi, Sınıf C suçları bağlamında insanlığa karşı suçların ilk defa uluslararası düzeyde cezalandırıldığı ve geniş çaplı delil temelli yargılamaların yapıldığı mahkeme olarak tarihe geçmiştir. Nazi rejiminin işlediği cinayet, soykırım, köleleştirme, tehcir, işkence ve diğer insanlık dışı eylemler mahkemede ele alınmış; özellikle Yahudi Soykırımı’na ilişkin belgeler ve tanık beyanları, bu suçların sistematik ve devlet politikası niteliğinde işlendiğini ortaya koymuştur.</p><blockquote><strong>İnsanlığa karşı suçların yalnızca savaş hâlinde değil, barış döneminde de işlenebileceği ve uluslararası toplumun bu suçlara müdahale yetkisine sahip olduğu ilk kez açık biçimde ilan edilmiştir. Bireylerin emir-komuta zinciri içinde olsa dahi sorumluluktan kaçamayacağı vurgulanmış ve “üstün emir” savunusu geçersiz sayılmıştır (Adjei, 2020).</strong></blockquote><p>Özellikle Nazi tıp personelinin insanlar üzerinde gerçekleştirdiği etik dışı deneylerin yargılandığı <em>Doctors’ Trial</em> davaları, insanlığa karşı suçların sınırlarını genişletmiş; tıbbi deneylerde <strong>onam</strong> (bilgilendirilmiş rıza) gibi etik ilkelerin doğmasına yol açmıştır. Bu süreçte ortaya çıkan <strong>Nürnberg Kodu</strong>, günümüzde hâlâ geçerliliğini koruyan temel bir araştırma etiği belgesi olarak kabul edilmektedir (Weindling, 2015; Aurey, 2017).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*eqiUgRP3sT5Z8Esa.jpg" /><figcaption>Karl Brandt, Doctors’ Trial duruşmasında — Nürnberg Mahkemesi (1947)</figcaption></figure><p>Bu kare, <strong>Nürnberg’deki “Doctors’ Trial”</strong> sırasında çekilmiştir. Bu dava, Nazi doktorlarının savaş esirleri ve siviller üzerinde gerçekleştirdiği zorla tıbbi deneyler ve ötenazi programları nedeniyle yargılandığı duruşmaların en bilinenidir. Fotoğraftaki Karl Brandt, insanlığa karşı suçlar, savaş suçları ve tıbbi etik ihlalleri nedeniyle suçlu bulunmuş ve 2 Haziran 1948&#39;de <strong>idam cezasına çarptırılmıştır</strong>. Cezası aynı yıl infaz edilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*9rTy6pneqhvINYph.jpg" /><figcaption><em>Ravensbrück Kamp Görevlileri Mahkemeye Sevk Edilirken — 1946</em></figcaption></figure><p>Bu fotoğraf, <strong>Ravensbrück Toplama Kampı’nda</strong> görev almış olan bazı <strong>kadın Nazi kamp görevlilerinin (SS kadın personeli)</strong> <strong>Nürnberg yakınlarındaki duruşmalar için</strong> nakledilmeden önce <strong>1946 yılında çekilmiş</strong> tarihi bir kareyi göstermektedir. Ravensbrück, özellikle <strong>kadınlara özel</strong> bir toplama kampıydı ve tıbbi deneyler, zorla çalıştırma, cinsel istismar gibi ağır insan hakları ihlallerinin merkezi hâline gelmişti.</p><h3><strong>Tokyo Mahkemesi ve Sınıf C Suçları</strong></h3><p>Tokyo Mahkemesi, insanlığa karşı suçları Japon İmparatorluğu’nun Asya’da işlediği savaş ve sömürge suçları bağlamında ele almıştır. Japonya’nın Kore, Çin ve Güneydoğu Asya’da gerçekleştirdiği işgal sürecinde sivillere yönelik işlediği suçlar mahkeme gündeminde yer almıştır. Özellikle “rahatlatıcı kadınlar” olarak bilinen sistematik cinsel köleleştirme, sivillere yönelik toplu şiddet ve zorla çalıştırma gibi eylemler davaların merkezinde olmuştur.</p><p>Ancak Tokyo Mahkemesi, Sınıf C suçlarının uygulanmasında sınırlı ve seçici bir yaklaşım nedeniyle eleştirilmiştir. Japon sömürgeciliği ve ırksal baskılarla ilgili suçlar yeterince derinlemesine incelenmemiştir. Japonya’daki <strong>Koreliler</strong>, mahkemenin kolonyal sorumluluğu göz ardı ettiğini ve Korelilere karşı uygulanan asimilasyon, köleleştirme ve cinsel şiddetin hesap verilmeden bırakıldığını dile getirmiştir (Chong, 2017).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/690/0*zzSZgitnUjNZCuNC.png" /><figcaption>Tokyo Uluslararası Askerî Mahkemesi Hâkim Heyeti — 1946</figcaption></figure><p>Tokyo Mahkemesi’nin bir diğer eksikliği, suç tanımlarının dar yorumlanması ve cezaların daha sınırlı biçimde uygulanması olmuştur. Japonya’nın bazı üst düzey devlet görevlileri, doğrudan emir vermedikleri gerekçesiyle beraat etmiş veya hafif cezalar almıştır (Aurey, 2017). Bu durum, bireysel ceza sorumluluğunun daha gevşek yorumlandığı izlenimini güçlendirmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ysxP6S5Hw6CiLyqM.jpg" /><figcaption>Hideki Tojo, Tokyo Mahkemesi’nde Yargı Önünde — 1946</figcaption></figure><p>Bu çarpıcı ve sembolik fotoğraf, <strong>Tokyo Uluslararası Askerî Mahkemesi</strong> sırasında çekilmiş olup, ön plandaki kişi <strong>Japonya’nın savaş zamanı başbakanı General Hideki Tojo</strong>’dur. Hideki Tojo, Japon militarizminin en katı figürlerinden biri olarak, Pearl Harbor saldırısının planlanmasında ve Japonya’nın Asya-Pasifik’te yürüttüğü işgal politikalarında kilit rol oynamıştır. Tokyo Mahkemesi’nde 1946’dan itibaren yargılanmış ve 1948 yılında <strong>idam cezasına</strong> çarptırılmıştır. Cezası <strong>23 Aralık 1948</strong>’de infaz edilmiştir. Yargılama sırasında Tojo, Japonya’nın eylemleri için büyük ölçüde sorumluluğu üstlenmiş ve İmparator Hirohito’yu korumaya çalışmıştır.</p><h3><strong>Karşılaştırmalı Değerlendirme ve Etkileri</strong></h3><p><strong>Nürnberg ve Tokyo Mahkemeleri</strong>, Sınıf C suçlarının uluslararası hukukta tanımlanması ve uygulanması bakımından birbirine paralel fakat bağlamsal olarak farklılaşan iki kritik örnektir. Her iki mahkeme de bireylerin uluslararası düzeyde cezai sorumluluğunu kabul ederek devlet görevlilerinin dahi insanlığa karşı suçlardan ötürü yargılanabileceğini göstermiştir. Ancak bu yargılamaların yapısı, kapsamı, uygulama biçimleri ve hukuki sonuçları arasında dikkat çekici farklar mevcuttur.</p><h3>-Yargılamaların Yapısal Farklılıkları</h3><p><strong>Nürnberg Mahkemesi</strong>, Müttefik Devletler’in (özellikle ABD, İngiltere, Sovyetler Birliği ve Fransa) ortak girişimiyle kurulmuş, uluslararası hukuk teamüllerine göre şekillendirilmiş ve davalara daha merkezi bir yapı içinde yaklaşmıştır. Sınıf C suçları bağlamında sanıkların bireysel suçluluklarının detaylı olarak ortaya konduğu belgeler, tanık ifadeleri, propaganda malzemeleri ve Nazi bürokrasisine ait dokümanlar kapsamlı biçimde değerlendirilmiştir. Örneğin, <strong>Otto Ohlendorf</strong> gibi Nazi SS komutanları, Doğu Avrupa’da binlerce Yahudi ve sivilin katledilmesini organize ettikleri için açık delillerle mahkûm edilmiştir.</p><p>Öte yandan <strong>Tokyo Mahkemesi</strong>, daha çok ABD öncülüğünde kurulan, çok uluslu ancak yapısal olarak daha merkeziyetçi olmayan bir yapı sergilemiştir. Mahkeme, Japonya’nın Pasifik’teki savaş suçlarına odaklanmış; fakat sömürgeci şiddet, cinsiyet temelli suçlar ve etnik baskılar gibi konular çoğunlukla sınırlı şekilde ele alınmıştır. Örneğin, <strong>Nanjing Katliamı</strong> gibi olaylar mahkemede gündeme getirilmiş olsa da, Japon İmparatorluğu’nun Kore’deki “rahatlatıcı kadınlar” sistemine dair sistematik cinsel köleleştirme vakaları yeterince kapsamlı incelenmemiştir (Chong, 2017).</p><h3>- “Emir Aldım” Savunusuna Yaklaşımlar</h3><p>Nürnberg Mahkemesi’nin en çarpıcı yönlerinden biri, “üstün emir” savunmasını açık biçimde reddetmiş olmasıdır. <strong>Wilhelm Keitel</strong> gibi üst düzey askerî figürler, emirlere uymak zorunda olduklarını savunmalarına rağmen, insanlığa karşı işledikleri suçlardan sorumlu tutulmuşlardır. Bu yaklaşım, bireylerin vicdani sorumluluğunun hukuki yükümlülüğe dönüşmesi bakımından evrensel bir ilkedir.</p><p>Tokyo Mahkemesi’nde ise bu ilke daha esnek yorumlanmıştır. Bazı sanıklar — özellikle düşük profilli olanlar — yalnızca emirleri uyguladıkları gerekçesiyle daha hafif cezalar almış veya beraat etmişlerdir. Bu durum, mahkemenin bireysel cezai sorumluluğu yorumlamada <strong>Nürnberg’e kıyasla daha gevşek</strong> bir uygulama sergilediği eleştirilerini doğurmuştur (Aurey, 2017).</p><h3>- Toplumsal ve Sembolik Etkiler</h3><p><strong>Nürnberg Mahkemesi</strong>, Batı kamuoyunda daha geniş bir etki yaratmış ve Nazi rejiminin ideolojik olarak mahkûm edilmesini sağlamıştır. Mahkeme, aynı zamanda insan hakları ve araştırma etiği açısından da doğrudan etkiler doğurmuştur. Örneğin, <strong>Nürnberg Kodu</strong>, Nazi doktorlarının zorla deneylerine karşılık olarak oluşturulmuş ve tıbbi araştırmalarda onam ilkesi gibi temel etik ilkeleri tanımlamıştır (Weindling, 2015).</p><p>Tokyo Mahkemesi ise özellikle Asya’da karışık tepkilerle karşılanmıştır. Japonya’daki <strong>Zainichi Koreli topluluklar</strong>, mahkemenin Japon sömürgeciliğini yargılamadığını; Korelilere yönelik sistematik şiddet ve asimilasyon politikalarının görmezden gelindiğini dile getirmiştir. Bu durum, mahkemenin adalet mekanizmasının <strong>“galiplerin adaleti”</strong> eleştirilerine açık hale gelmesine neden olmuştur (Chong, 2017).</p><h3>- Uluslararası Ceza Hukukuna Kalıcı Etkileri</h3><p>Her iki mahkemenin de uzun vadeli etkisi, bireysel ceza sorumluluğunun yerleşmesi ve insanlığa karşı suçların tanımlanmasında standartların oluşturulmasıdır. Nürnberg ve Tokyo’da ortaya çıkan bu içtihatlar, daha sonra:</p><ul><li><strong>Yugoslavya ve Ruanda Uluslararası Ceza Mahkemeleri (ICTY ve ICTR)</strong> gibi örneklerde,</li><li>Ve özellikle <strong>Roma Statüsü (1998)</strong> ile kurulan <strong>Uluslararası Ceza Mahkemesi (ICC)</strong> sisteminde kendine yer bulmuştur.</li></ul><p>Örneğin, Ruanda Soykırımı’nın ardından kurulan ICTR, insanlığa karşı suçların yalnızca savaş zamanlarında değil, barış zamanlarında da işlenebileceğini tıpkı Nürnberg gibi kabul etmiştir. Bu doğrultuda, Tokyo ve Nürnberg yargılamaları sadece geçmişin değil, <strong>geleceğin hukuki yapısının temel taşları</strong> olmuştur.</p><h3><strong>Genel Değerlendirme</strong></h3><p>Bu mahkemeler, devletin mutlak egemenliğini sorgulayan ve bireylerin uluslararası hukuk önünde sorumlu tutulabileceğini ortaya koyan öncü örneklerdir. Her ne kadar Tokyo Mahkemesi bağlam, kapsam ve uygulama açısından eleştirilere daha açık bir yapı sergilese de, her iki mahkeme birlikte değerlendirildiğinde modern <strong>uluslararası ceza hukukunun ahlaki ve normatif temelini</strong> inşa etmişlerdir.</p><p>Nürnberg Mahkemesi, özellikle bireysel sorumluluğun hukuki çerçevede ilk kez bu denli net biçimde ortaya konduğu, belgelerle desteklenen güçlü bir adalet süreci sunmuştur. Tokyo Mahkemesi ise Asya coğrafyasının bağlamını uluslararası hukuk sistemine dahil etmiş; ancak özellikle cinsiyet temelli şiddet ve sömürgecilik gibi konularda sessiz kalması nedeniyle eleştirilmiştir.</p><p>Bu tarihî mahkemelerin taşıdığı etik, hukuki ve sembolik yükü anlamak için şu çarpıcı anekdot, Nürnberg’in ruhunu özetler niteliktedir:</p><blockquote>Yargıç Sir Geoffrey Lawrence, Nazi lideri Hermann Göring’in savunmasının ardından duruşma salonunda sessizlik çöktüğünde, şöyle demiştir:<br> <strong>“Artık tarih, yalnızca galiplerin değil, insanlığın vicdanının mahkemesinde yazılıyor.”</strong></blockquote><p>Bu söz, mahkemenin yalnızca düşmanları cezalandırmak için değil, insanlık tarihine hesap vermek için kurulduğuna işaret eder. Mahkemeler, yalnızca savaşın hukukunu değil, <strong>barışın adaletini de şekillendirmiştir.</strong></p><p>Bugün Uluslararası Ceza Mahkemesi (ICC) gibi kurumların temelini atan bu yargılamalar, savaşların hukuki hafızası olduğu kadar, <strong>adaletin evrensel bir ilke olarak tanınması sürecinin başlangıcı</strong> olarak da değerlendirilmelidir.</p><h3><strong>Kaynakça</strong></h3><p>Adjei, W. E. (2020). <em>The development of individual criminal responsibility under international law: Lessons from Nuremberg and Tokyo war crimes trials</em>. <em>Journal of Legal Studies</em>, 25(39), 69–97.</p><p>Aurey, X. (2017). <em>The Nuremberg Doctors’ Trial: Looking back 70 years later</em>. <em>International Criminal Law Review</em>, 17(6), 1049–1069. <a href="https://doi.org/10.1163/15718123-01706004">https://doi.org/10.1163/15718123-01706004</a></p><p>Chong, Y.-H. (2017). <em>The Tokyo Trial and the question of colonial responsibility: Zainichi Korean reactions to Allied justice in occupied Japan</em>. <em>International Journal of Korean History</em>, 22(1), 77–110.</p><p>Walkinshaw, R. B. (1949). <em>The Nuremberg and Tokyo trials: Another step toward international justice</em>. <em>American Bar Association Journal</em>, 35(4), 299–302, 362–363.</p><p>Weindling, P. (2015). <em>The Nuremberg Trials and their legacy for the rights of patients and research subjects</em>. <em>The Denning Law Journal</em>, 27, 258–278.</p><p>Yale Law School. (1946). <em>The Avalon Project: Charter of the International Military Tribunal</em>. Retrieved from <a href="https://avalon.law.yale.edu/">https://avalon.law.yale.edu</a></p><p>Persico, J. E. (1994). <em>Nuremberg: Infamy on Trial</em>. New York: Viking Press.</p><p>Taylor, T. (1992). <em>The Anatomy of the Nuremberg Trials: A Personal Memoir</em>. New York: Knopf.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0d5c5a9b1b8f" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>