ChatGPT ile Hisse Analizi Yapılır mı? Sınırları ve Doğru Kullanım

ChatGPT, kullanıma açıldığı günden bu yana yüz milyonlarca kişinin günlük hayatına girdi ve doğal olarak borsayla ilgilenenlerin de radarına takıldı. "ChatGPT ile hisse analizi yapılır mı?" sorusu, yatırıma ilgi duyan hemen herkesin aklından en az bir kez geçiyordur. Sohbet ekranına bir hisse adı yazıp "Bu şirket nasıl, alınır mı?" diye sormak cazip; cevap saniyeler içinde, üstelik oldukça ikna edici bir dille geliyor. Peki bu cevaplara ne kadar güvenebilirsiniz? Bu yazıda ChatGPT'nin hisse analizinde gerçekten işe yaradığı alanları, ciddi risk oluşturan sınırlarını ve yapay zekâyı yatırım araştırmasında doğru kullanmanın yollarını ele alacağız.

ChatGPT Aslında Nasıl Çalışır?

Sınırları anlamanın yolu, önce çalışma mantığını kavramaktan geçiyor. ChatGPT, büyük dil modeli (LLM) adı verilen bir yapay zekâ türüdür. Büyük dil modelleri, internetten ve çeşitli kaynaklardan derlenen devasa metin arşivleri üzerinde eğitilir; bir cümlenin devamında hangi kelimenin gelmesinin en olası olduğunu tahmin ederek metin üretir. Yani model cevap verirken bir veri tabanına bakmaz; eğitim sırasında öğrendiği kalıplardan yararlanır.

Bu tasarımın yatırımcıyı ilgilendiren iki önemli sonucu var. Birincisi, modelin bilgisi eğitim verisinin kapsadığı tarihte donmuştur; buna bilgi kesim tarihi (knowledge cutoff) denir. İkincisi, model "bilmiyorum" demek yerine boşluğu makul görünen bir metinle doldurma eğilimindedir. Birazdan ele alacağımız sınırların neredeyse tamamı bu iki özellikten kaynaklanır.

ChatGPT Hisse Analizinde Ne İşe Yarar?

Sınırlara geçmeden önce hakkını teslim edelim: doğru işler için kullanıldığında ChatGPT yatırımcıya ciddi zaman kazandırır.

Kavramları öğrenmek için sabırlı bir öğretmen

F/K oranı neyi ölçer, bilanço ile gelir tablosu arasındaki fark nedir, FAVÖK neden önemlidir gibi soruları seviyenize uygun bir dille, dilediğiniz kadar örnekle açıklar. Üstelik anlamadığınız noktayı tekrar tekrar, farklı benzetmelerle anlattırabilirsiniz. Temel analize yeni başlayanlar için bu, ders kitabı okumaktan çok daha etkileşimli bir öğrenme yoludur. Kavram bilgisi zamanla değişmediği ve modelin eğitim verisinde bolca bulunduğu için, ChatGPT'nin en güvenilir olduğu alan da burasıdır.

Kendi sağladığınız metinleri özetlemek

Bir faaliyet raporundan kopyaladığınız uzun bir bölümü yapıştırıp "bunu sadeleştirir misin" dediğinizde model genellikle başarılı bir sonuç verir. Buradaki kritik ayrıntı, verinin sizden gelmesidir: model kendi hafızasından değil, o an önüne koyduğunuz metinden çalışır; bu da yanlış bilgi üretme riskini belirgin biçimde azaltır.

Analiz çerçevesi ve kontrol listesi oluşturmak

"Bir perakende şirketini incelerken hangi başlıklara bakmalıyım?" gibi sorulara derli toplu çerçeveler önerir. Bu çerçeveler hazır bir analiz değildir; ama kendi araştırmanızı yapılandırmak için iyi bir yol haritası olabilir.

Sorularınızı keskinleştirmek

Bir şirketin faaliyet raporunu okumadan önce "Bu rapora hangi sorularla yaklaşmalıyım?" diye sorabilir, incelemeden önce dikkat edilecek noktaların listesini çıkartabilirsiniz. Model burada size hazır cevap vermez; daha iyi soru sordurur. İyi bir analiz de çoğu zaman doğru soruyla başlar.

ChatGPT ile Hisse Analizi Yapmanın Sınırları

Gelelim madalyonun öbür yüzüne. Aşağıdaki dört başlık, ChatGPT'yi tek başına bir hisse analizi aracı olmaktan çıkaran sınırlardır.

Güncel veriye erişememe

Hisse analizi güncel veriyle yapılır: son çeyrek finansalları, güncel fiyat ve çarpanlar, yeni gelen bildirimler. ChatGPT'nin bilgisi ise belirli bir tarihte donmuştur. Sorduğunuz şirketin son bilançosu modelin eğitiminden sonra açıklandıysa, model o tabloyu hiç görmemiştir; buna rağmen soruyu yanıtsız bırakmak yerine eski verilerden veya genel kalıplardan bir cevap üretebilir. Bunun pratik sonucu şudur: bilanço sezonunda, yani şirketlerin dönem finansallarını peş peşe açıkladığı haftalarda, "son bilanço nasıl geldi?" tarzı soruların doğru cevabı modelin hiç görmediği bir belgede saklıdır. İnternette arama yapabilen sürümler bu açığı kısmen kapatır; ancak arama sonuçları çoğunlukla haber özetlerinden gelir. Finansal tabloların satır satır, dipnotlarıyla birlikte işlenmesi ise bambaşka bir veri altyapısı gerektirir.

Halüsinasyon: kendinden emin ama yanlış

Büyük dil modellerinin en bilinen zaafı halüsinasyondur: modelin, gerçekte var olmayan bilgiyi akıcı ve kendinden emin bir dille üretmesi. Bunu bir örnekle somutlaştıralım. Hayali şirketimiz ABC A.Ş.'yi ChatGPT'ye sorduğunuzu düşünün. Model, şirket hakkında hiçbir gerçek veriye sahip olmasa bile şuna benzer bir paragraf yazabilir: "ABC A.Ş. son çeyrekte net kârını %35 artırarak 2,4 milyar TL'ye taşıdı; 6,8'lik F/K oranıyla sektör ortalamasının altında işlem görüyor." Cümle profesyonel, rakamlar makul, ton kendinden emin — ama bu sayıların hiçbiri gerçek olmak zorunda değil. İşin tehlikeli yanı şu: yanlış cevap, doğru cevapla aynı özgüvenle gelir. İkisini ayırt etmenin tek yolu, rakamları resmi kaynaktan doğrulamaktır.

Türkiye piyasasına özgü boşluklar

Büyük dil modellerinin eğitim verisinde İngilizce içerik ağır basar; bu yüzden modelin ABD piyasası hakkında bildikleri, Borsa İstanbul hakkında bildiklerinden kat kat fazladır. KAP'ın (Kamuyu Aydınlatma Platformu) bildirim türleri, bedelli ve bedelsiz sermaye artırımı gibi yerel kavramlar veya Borsa İstanbul'a özgü uygulamalar konusunda bilgisi yüzeysel kalabilir. Daha kritik bir örnek: Türkiye'de halka açık şirketlerin finansal tabloları 2023 yıl sonundan bu yana TMS 29 kapsamında enflasyon muhasebesine göre düzeltiliyor. Bu düzeltmenin mantığını hesaba katmayan bir model, dönemler arası karşılaştırmalarda tümüyle yanıltıcı sonuçlara varabilir; enflasyon muhasebesinin bilançoları nasıl etkilediğini ayrı bir yazıda ayrıntılı anlatmıştık. Benzer şekilde, KAP bildirimlerinin nasıl okunacağını bilmek yatırımcı için ne kadar önemliyse, bu bildirimleri hiç görmemiş bir modelin yorumuna yaslanmak da o kadar risklidir.

Kaynak gösterememe

İyi bir analizin doğrulanabilir olması gerekir. ChatGPT'nin genel kullanımda ürettiği bir rakamın hangi tabloda, hangi dipnotta yazdığını soramazsınız; çünkü o rakam bir belgeden değil, modelin istatistiksel hafızasından gelir. Oysa bir analist, kullandığı her rakamın izini finansal tablonun ilgili satırına kadar sürebilir; sağlıklı bir analiz sürecinde sizden beklenen de budur. Kaynağı gösterilemeyen bilgi, ne kadar ikna edici görünürse görünsün, bir yatırım araştırmasında kendine yer bulmamalıdır.

ChatGPT'yi Doğru Kullanmanın Dört Kuralı

Buraya kadar anlattıklarımız "ChatGPT işe yaramaz" anlamına gelmiyor; doğru konumlandırıldığında değerli bir yardımcıdır. Şu dört kural, verimi artırırken riski azaltır:

1. Öğretmen olarak kullanın, analist olarak değil. Kavramlar, oranların yorum mantığı ve analiz yöntemleri için idealdir; güncel şirket verisi içinse değildir.

2. Veriyi siz sağlayın. KAP'tan indirdiğiniz bir raporun ilgili bölümünü yapıştırıp "yalnızca bu veriye dayanarak" diye sorduğunuzda, model tahmin etmek yerine önündeki metinle çalışır. "Aşağıdaki gelir tablosu verilerine göre brüt kâr marjını hesapla ve yorumla" gibi net talimatlar en sağlıklı sonucu verir.

3. Her rakamı doğrulayın. Modelin verdiği hiçbir sayıyı, resmi kaynağıyla karşılaştırmadan analizinize dahil etmeyin.

4. Karar makamı yapmayın. "Bu hisse alınır mı?" sorusunun muhatabı bir sohbet botu olmamalıdır. Şunu da netleştirelim: ister yapay zekâdan ister bir insandan gelsin, bu tür genel değerlendirmeler yatırım tavsiyesi değildir; alım satım kararı kendi araştırmanıza ve risk profilinize dayanmalıdır.

RAG: Yapay Zekâ Gerçek Veriyle Buluşunca

Peki yapay zekânın dil yeteneğini güncel ve doğrulanabilir veriyle birleştirmek mümkün mü? Bu sorunun cevabı RAG (Retrieval-Augmented Generation) adı verilen mimaride saklı. Türkçeye "getirme destekli üretim" olarak çevrilebilecek bu yaklaşımda model, soruyu cevaplamadan önce güvenilir bir veri kaynağından — örneğin şirketin finansal tablolarından ve KAP bildirimlerinden — ilgili belgeleri getirir ve cevabını bu belgelere dayandırır. Farkı tek cümleyle özetlemek gerekirse: genel bir sohbet botu ezberden konuşur, RAG tabanlı bir sistem belgeden okur.

Bu mimari halüsinasyon riskini tamamen ortadan kaldırmaz ama önemli ölçüde azaltır; çünkü modelin önünde artık gerçek bir belge vardır ve cevabın dayanağı gösterilebilir. Bu yüzden finans alanında geliştirilen ciddi yapay zekâ araçlarının çoğu, genel modellerin üzerine böyle bir veri katmanı ekleyerek çalışır. Yapay zekâ ile hisse senedi analizi yazımızda da vurguladığımız gibi, finansal analizde yapay zekânın güvenilirliği, beslendiği verinin güncelliğiyle ve doğruluğuyla doğru orantılıdır.

Türkiye piyasasında bu yaklaşımın bir örneği Finkap'ın KapAI asistanıdır. KapAI, Borsa İstanbul'da işlem gören 600'den fazla şirketin güncel finansal verileri ve KAP bildirimleri üzerinde çalışır; "Şirketin son bilançosunda net borç ne yönde değişti?" gibi bir soruya genel hafızadan değil, ilgili tablo ve bildirimlerden yola çıkarak cevap üretir. Aradaki fark, bu yazı boyunca anlattığımız farkın ta kendisi: ezber ile belge arasındaki fark.

Sonuç: Doğru Araç, Doğru İş

"ChatGPT ile hisse analizi yapılır mı?" sorusunun dürüst cevabı: kısmen. Kavram öğrenmek, kendi sağladığınız metinleri özetletmek ve analiz çerçevesi kurmak için evet, hem de gönül rahatlığıyla. Güncel rakamlar, şirkete özgü veriler ve doğrulanabilir analiz içinse tek başına hayır. Yapay zekâ çağında yatırımcının işi bu araçları reddetmek değil; her aracın neyi iyi, neyi eksik yaptığını bilerek yerinde kullanmak.

Bir şirketin dün akşam yayımladığı KAP bildirimini ya da son açıklanan bilançosunu yapay zekâya sormak istediğinizde, cevabın ezberden değil gerçek belgeden gelmesi işte bu yüzden fark yaratır. Finkap'ta KapAI, sorularınızı doğrudan şirketlerin güncel bildirimleri ve finansal tabloları üzerinden yanıtlar; aşağıdaki örnekte bir KAP bildiriminin saniyeler içinde nasıl özetlenip soru-cevaba dönüştüğünü görebilirsiniz.