Haberlerle PTF Tahmini · Bölüm 2
Bir haber saat 09.20’de yayımlanmış olabilir. Arşivimdeki metnin ilk gözlemi 11.35 ise, 11.00’de yaptığım tahmine o metni koyabilir miyim? O saatte elimde hangi sürümün olduğunu gösteremiyorsam kaydı o tahmine almıyorum. Bir haberin tarihini kontrol etmek kolay. Elimdeki metnin o tarihte ve o saatte erişilebilir olduğunu göstermek daha fazla iş gerektiriyor.
İlk veri pilotlarından sonra 11.00 kesimini sabitledim, haber arşivini bu kurala göre düzenledim ve fiyat ile takvime dayalı referans modeli 2025’in tamamında çalıştırdım. Yıldız Teknik Üniversitesi Veri Bilimi ve Büyük Veri yüksek lisans tezimde şimdi ölçmek istediğim katkı daha belirgin. Geçmiş Piyasa Takas Fiyatı (PTF) ve takvim bilgisi modeldeyken, haberin içeriği, kaç haber yayımlandığını bilmenin üzerine ne katıyor? Serinin ilk bölümü
Yarın için hangi fiyatı tahmin ediyorum?
Hedefim teslim gününün 24 saatlik PTF değerinin aritmetik ortalaması. Örneğin temsili bir teslim gününde sekiz saatin fiyatı 1.800, sekiz saatin fiyatı 2.400, kalan sekiz saatin fiyatı 3.000 TL/MWh ise modelin tahmin etmeye çalıştığı günlük değer 2.400 TL/MWh. Her teslim günü için tek tahmin, gerçekleşen tek günlük ortalama ve bunların arasında bir hata var.
Bu tahmin için haber girdilerini teslimden önceki gün İstanbul saatiyle 11.00’de kesiyorum. EPİAŞ’ın normal Gün Öncesi Piyasası akışında teklifler 12.30’da kapanıyor, ertesi günün 24 saatlik fiyatları 14.00’te nihai olarak duyuruluyor. 11.00, bu akışın öncesine koyduğum deney kesimi. EPİAŞ Gün Öncesi Piyasası süreçleri
Örneğin çarşamba teslimatı için salı 11.00’i esas alıyorum. Salı 10.40’ta gözlemlenen ve yayın zamanı doğrulanmış bir metin zaman koşulunu geçebilir. Yayımlanma saati 09.20 olarak görünse bile elimdeki sürümün ilk arşiv gözlemi 11.35 ise bu metin çarşamba tahminine girmez. Böylece fiyat açıklanmadan önce yazılmış bir haberle, tahmini üretirken elimde olduğunu gösterebildiğim haber sürümü arasında ayrım yapabiliyorum.
Arşivde yayın saati eksikse ne yapıyorum?
EPİAŞ Şeffaflık Platformu’ndan PTF verisini Python ile topladım. Fiyatları ve veri kökenini PostgreSQL’de tutan bir hat kurdum. Haber evrenini TRT Haber, BBC World ve BBC Business ile sınırladım. Güncel akışta yayıncıların RSS kaynaklarını, geçmişte aynı yayıncıların arşiv kopyalarını ve yayın zamanı kanıtlarını kullanıyorum. Aynı haberin farklı kopyalarını tekilleştiriyorum. EPİAŞ Şeffaflık Platformu
25 Haziran 2021–13 Kasım 2026 arasındaki 1.968 hedef günün her birinde üç kaynaktan da en az bir uygun tarihli kayıt ve hedef güne ait tam PTF verisi doğruladım. Bu, seçtiğim arşivin gün bazındaki kaynak sürekliliğini gösteriyor. Yayıncıların ürettiği bütün haberleri kapsadığına dair bir ölçümüm henüz yok.
Deney için ayırdığım 2022–2025 döneminde, ilk katı zaman denetiminden 7.873 haber geçti. Yayıncı ve arşiv kanıtlarını birleştirince 2.618 haber daha doğrulayabildim. Bu şekilde kanıtla desteklenen küme 10.491 habere ulaştı.
Kesin yayın saati bulunmayan haberleri de inceleyebilmek için varsayımlı, daha geniş bir küme hazırladım. Bu kayıtlara İstanbul saatiyle 12.00 atadım. Sonradan eklenen 33.570 haberin 31.028’inde yayın günü de eksikti. O kayıtlarda ilk arşiv gözleminin İstanbul tarihini yayın günü için vekil olarak kullandım. Uygunluk zamanını, varsayılan yayın saati ile gerçek arşiv gözleminden daha geç olanı alarak hesapladım. Dolayısıyla 12.00 varsayımıyla işaretlenen bir kayıt aynı günün 11.00 kesimine yetişemez.
Yayın zamanı, arşivde görülme zamanı ve etiket üretim zamanını ayrı tutuyorum. Geriye dönük etiketleme bugün yapılsa da özelliğin dayandığı metin sürümünün ilgili tahmin kesiminde erişilebilir olmasını arıyorum. Etiketin ne zaman hazır olduğunu ayrıca saklamak, ileride canlı akışta işlem gecikmesini ölçmemi de sağlayacak. Bir metin 10.55’te sisteme ulaşır ama etiketi 11.00’e kadar hazır olmazsa, o günkü canlı tahmin etiket olmadan üretilir.
Genişletilmiş kümede 44.061 tekil haber var. Kronolojik ayrımda 18.495 haber 2022–2023 eğitim dönemine, 14.549 haber 2024 doğrulama dönemine, 11.017 haber 2025 test dönemine düşüyor. Bunlar dil modelinin işleyeceği metin sayıları. Fiyat deneyinin gözlem birimi hedef gün ve 2022–2025 arasında 1.461 hedef gün bulunuyor. Bir günde onlarca haber olabilir, günlük tahminin hedefi yine tek bir PTF ortalaması.
Bir tarife haberi PTF için ne söylüyor?
EPDK’nın temmuz ayında elektrik tarifesine zam yapılmadığını açıkladığı bir haberi düşünelim. Bunu Türkiye enerji piyasasıyla ilgili bir kayıt olarak işaretleyebilirim. Ertesi günün Gün Öncesi Piyasası fiyatına yön vermek içinse metinde ayrıca bir aktarım mekanizmasına ve hedef günü kapsayan kanıta bakıyorum. Perakende tarife açıklamasından ertesi günün PTF yönünü doğrudan çıkarmıyorum.
İlk 32 geliştirme haberi üzerinde geçmiş fiyat bilgisini, yorumu ve yeni somut olayı birbirinden ayırmayı denedim. Ardından 20 alanlı bir etiket şeması hazırladım. Şemada kategori, konu, olay türü ve durumu, etki kanalı, yön, tarihler ve metin kanıtı var. Türkiye, dünya enerji piyasaları, Türkiye enerji piyasaları ve PTF ile ilgiyi 0–100 ölçeğinde ayrı ayrı kaydediyorum. Bu puanlar ilgiyi ifade ediyor. Süre alanı ise metinde belirlenebildiğinde olayın veya düzenlemenin belgelenmiş süresini gün olarak tutuyor.
Yeni şemayı 30 geliştirme haberine uyguladığımda 9 haberde yön belirsiz kaldı, 21 haberde yönü destekleyen PTF bağlantısı bulamadım. Bu sayılar geliştirme pilotunda karşıma çıkan etiket dağılımı. Bağımsız değerlendirme için 90 haber ve geliştirme için 30 kayıt ayırıp iki değerlendiricinin kullanabileceği biçimde hazırladım. GPT-6 Luna için 44.061 girdinin Batch istek dosyalarını 20 alanlı şemayla hazırlayıp doğruladım. Toplu API çalıştırması ve bağımsız etiket doğruluğu değerlendirmesi sıradaki işler. GPT-6 Luna model belgesi
Dil modelinin görevi haber başlığı ve arşiv metninden olay, piyasa bağlantısı ve dayandığı kanıtı çıkarmak. Fiyatı ise bu etiketlerden türetilen günlük özellikleri kullanacak ayrı bir tahmin modeli üretecek.
2025 referansı ve haber deneyinin ölçütü
Fiyat gecikmeleri, geçmiş hareketli özetler ve takvim girdileriyle CatBoost referansını çalıştırdım. 2025’in aynı 365 hedef gününde önceki günün PTF ortalamasını taşıyan basit referansın ortalama mutlak hatası 270,87 TL/MWh oldu. Fiyat ve takvim girdilerini kullanan CatBoost referansında MAE 214,26 TL/MWh. Her iki ölçümde de tahmin ile gerçekleşen günlük ortalamanın farkını mutlak değer olarak alıp günler üzerinde ortalıyorum. CatBoost belgeleri
Haberli modellerin 2025 test sonuçları oluşmadan üç kolun karşılaştırma kuralını kaydettim.
| Kol | Modele giren bilgiler |
|---|---|
| A | Geçmiş fiyat ve takvim |
| B | A’daki girdiler ve kaynak ile gün bazında haber sayıları |
| C | B’deki girdiler ve haber metninden çıkarılan günlük özellikler |
B ile A arasındaki hata farkıyla arşivdeki haber sayısının ek katkısını ölçeceğim. C ile B’nin MAE farkı ise metin içeriğinin katkısı için ana ölçümüm olacak. İki kolu aynı hedef günlerde ve aynı haber sayılarıyla değerlendireceğim. C’nin MAE’si daha düşük çıkarsa, bu deneyde metin özellikleri haber sayısının üzerine tahmin değeri katmış olacak. Şu an elimde fiyat ve takvim referansı var. Haber metninin katkısına ilişkin 2025 test ölçümü bekliyor.
Araştırma panelinde neyi takip ediyorum?
ASP.NET Core 10 ile geliştirdiğim araştırma panelinde veri akışını, haber arşivini, etiketleme pilotunu ve fiyat referansının test grafiklerini bir araya getirdim. Panelin sunucuya dağıtımını ve veri kaynağından salt okunur biçimde bilgi çekebildiğini doğruladım. Açıklamalı kestirim kartı da panelde yer alıyor. Canlı tahmin performansını ölçmek ve dış erişimi tamamlamak ayrı aşamalar olarak sürüyor.
Bir sonraki bölümde önce bağımsız haber örneğinde etiketlerin nasıl değerlendirildiğine bakacağım. Ardından 2025’in her hedef günü için B ve C tahminlerinin hatalarını eşleştireceğim. Böylece “daha çok haber vardı” bilgisinin sağladığı katkıyla, “o haberlerde ne anlatılıyordu” bilgisinin katkısını ayrı ayrı görebileceğim.
Veri kapsamı, örneklem sayıları ve deney durumu 17 Kasım 2026 tarihli tez çalışma günlüğü, arşiv uygunluk incelemesi, CatBoost referans çalışması, üç kollu deney protokolü ve Batch hazırlık doğrulamasına dayanıyor.
Serhat Diker sitesinden daha fazla şey keşfedin
Son gönderilerin e-postanıza gönderilmesi için abone olun.




