1. Neden Şimdi Veri?

2. Temel Analiz: Şirketin Röntgenini Çekmek

• Net Borç/FAVÖK: Şirketin borçluluk düzeyini ve bu borcu operasyonel kârıyla ne kadar sürede ödeyebileceğini gösterir.
• Özkaynak Karlılığı: Şirketin kendi varlıklarını ne kadar verimli kullandığının en net kanıtıdır.
• Nakit Akışı: Kağıt üzerindeki kâr her zaman kasaya giren nakit demek değildir. Gerçek yatırımcı, nakit akış tablosuna bakmadan karar vermez.

3. Teknik Analiz: Piyasanın Psikolojisini Ölçmek

• Trend Takibi: “Trend en yakın dostunuzdur.” Veri bize yönün yukarı mı aşağı mı olduğunu söylüyorsa, akıntıya karşı kürek çekmenin anlamı yoktur.
• Hacim Verisi: Fiyat yükselirken hacim artmıyorsa, o yükselişin “sağlıklı bir veri” tarafından desteklenmediğini anlayabilirsiniz.

4. 2026 BIST Beklentileri ve Stratejik Yaklaşım

• Sektörel Ayrışma: Enerji dönüşümü, savunma sanayii ve siber güvenlik sektörleri 2026'nın veri odaklı favorileri arasında.
• Duygusal Disiplin: Veri size “sat” diyorsa ama siz hisseye “aşık” olduysanız, bu noktada yatırımcı değil, taraftar olursunuz. Veriye dayalı yatırım, zararı nerede keseceğinizi ve kârı nerede realize edeceğinizi önceden bilmektir.

Finans dünyasında 15 yılı geride bırakmış bir bankacı olarak, sektörün geçirdiği dönüşümü en ön saflardan izledim. Eskiden “iyi analiz”, saatlerce (bazen günlerce) Excel tabloları arasında kaybolmak, PDF bilançoları manuel olarak karşılaştırmaktı. Ancak bugün, veri bilimi ve Python sayesinde bu süreçleri saniyelere indirmek artık bir lüks değil, gereklilik.

Bu yazıda, bir finansçının analitik bakış açısını Python’un işlem gücüyle birleştirerek, “Değer Yatırımı” (Value Investing) kriterlerine uyan hisseleri nasıl saniyeler içinde filtreleyebileceğimizi adım adım inceleyeceğiz.

Neden Python? Excel Artık Yetmiyor mu?

Excel harika bir araçtır, ancak “hız” ve “ölçeklenebilirlik” söz konusu olduğunda duvara toslar. Python; Pandas kütüphanesi ile devasa veri setlerini manipüle etmemizi, yfinance ile anlık piyasa verilerine ulaşmamızı ve makine öğrenmesi modelleriyle geleceğe dönük projeksiyonlar yapmamızı sağlar.

Bir yatırımcı olarak binlerce hisse arasından şu soruların cevabını manuel aradığınızı düşünün:

• Fiyatı defter değerine göre ucuz kalmış mı?

• Özsermaye karlılığı (ROE) sektör ortalamasının üzerinde mi?

• Yapay zeka bu verileri nasıl yorumluyor?

İşte bu noktada devreye kod yazma yetkinliği giriyor.

Python ile “Değer Yatırımı” Filtresi Oluşturmak

Gelin, temel analiz kriterlerini bir algoritma haline getirelim. Senaryomuzda şu iki kritik rasyoyu baz alacağız:

1. (F/K)/(P/E) Oranı: Şirketin pahalı olup olmadığını anlamak için.

2. ROE (Özsermaye Karlılığı): Şirketin kendi kaynaklarıyla ne kadar verimli kar ürettiğini ölçmek için.

Uygulama: Kodlama Zamanı

Aşağıdaki Python script’i, belirlediğimiz bir hisse listesini tarayarak sadece “kaliteli ve ucuz” olanları bize raporluyor:

import yfinance as yf

import pandas as pd

# Tarama yapacağımız örnek liste

hisse_listesi = ["AAPL", "MSFT", "GOOGL", "AMZN", "NVDA", "INTC", "PYPL"]

firsat_hisseleri = []

print("Finansal tarama motoru çalışıyor...\n")

for sembol in hisse_listesi:

   try:

       ticker = yf.Ticker(sembol)

       info = ticker.info

       # Filtreleme Kriterleri:

       # F/K < 20 ve ROE > %15

       pe_orani = info.get('forwardPE', 100)

       roe = info.get('returnOnEquity', 0)

       if pe_orani < 20 and roe > 0.15:

           firsat_hisseleri.append({

               "Hisse": sembol,

               "F/K": round(pe_orani, 2),

               "ROE (%)": round(roe * 100, 2),

               "Sektör": info.get('sector', 'N/A')

           })

   except:

       continue

# Sonuçları görselleştirelim

df = pd.DataFrame(firsat_hisseleri)

print(df.to_markdown())dasd

Bir Finansçının Notu: Rakamlar Her Şey Değildir

Kod bize veriyi sunar, ancak finansçı vizyonu o veriyi yorumlar. Örneğin, bir şirketin F/K oranının çok düşük olması her zaman bir “fırsat” değildir; bazen piyasanın o şirketin geleceğine dair ciddi bir endişesi olduğunu gösterir.

Bu yüzden yapay zeka ve Python, bizim yerimize karar veren mekanizmalar değil, karar destek mekanizmalarıdır. Veri bilimini finansal tecrübeyle birleştirdiğimizde, duygulardan arınmış, tamamen rasyonel bir yatırım stratejisi inşa etmiş oluruz.

Sonuç: Geleceğin Finans Dünyası

Finans ve teknoloji artık ayrılmaz bir bütün. Tolga Has = Teknoloji & Finans vizyonuyla, bu iki dünyayı birleştirmeye ve veriden değer üretmeye devam edeceğim. Algoritmik ticaret ve finansal otomasyon yolculuğunda bir sonraki adımımız, bu verilere Haber Duygu Analizi (NLP) ekleyerek piyasanın psikolojisini ölçmek olacak.

Siz yatırım kararlarınızı alırken hangi rasyolara güveniyorsunuz? Analizlerinizi otomatiğe bağlamak size ne kadar zaman kazandırırdı? Yorumlarda tartışalım.

Yasal Uyarı: Bu yazı ve paylaşılan kodlar tamamen eğitim amaçlıdır. Hiçbir şekilde yatırım tavsiyesi niteliği taşımaz.