Finansta üretken yapay zekâ (Generative Artificial Intelligence, GenAI) araştırma alanı, büyük dil modelleri ve diğer üretken yapay zekâ yaklaşımlarının finansal bilgi işleme, yatırım, portföy yönetimi, işlem, danışmanlık, düzenleme ve programlanabilir finans sistemleriyle nasıl birleştiğini inceleyen hızla gelişen bir araştırma alanıdır. Ngo Phu Thanh'ın çalışması, bu alanın herhangi bir yatırım stratejisinin kârlılığını test etmek yerine 2023–2025 dönemindeki bilimsel literatürün nasıl büyüdüğünü, hangi kavramlar çevresinde örgütlendiğini ve hangi araştırma cephelerine yöneldiğini bibliyometrik bilim haritalamasıyla inceler. Ağustos 2026'da Scopus'tan elde edilen 695 İngilizce yayın, R ortamındaki bibliometrix paketi kullanılarak performans analizi, iş birliği ağları, ortak kelime analizi, tematik haritalama, kavramsal yapı analizi, bibliyografik eşleşme ve doğrudan atıf ilişkileri açısından değerlendirilmiştir.
En belirgin nicel sonuç, alanın çok kısa sürede büyümesidir: korpustaki yayın sayısı 2023'te 46 iken 2024'te 181'e, 2025'te 468'e çıkmıştır. Böylece üç yıllık korpusun yaklaşık %67,3'ü yalnızca 2025 yayınlarından oluşmaktadır. Ancak çalışma, hızlı yayın büyümesini alanın bilimsel olarak olgunlaştığının kanıtı saymamaktadır. Yayınların önemli bölümü konferans bildirileridir; doğrudan atıf zincirleri hâlâ kısadır ve bilgisayar bilimi/dil teknolojileri ile uygulamalı finans araştırmaları arasında tam bir bütünleşme oluşmamıştır.
Çalışma, üretken yapay zekâ-finans literatürünün yalnız ChatGPT veya metin sınıflandırması çevresinde kalmadığını gösterir. Büyük dil modelleri, üretken yapay zekâ, doğal dil işleme ve duygu analizi hâlâ kavramsal çekirdeği oluştururken portföy yönetimi, nicel/algoritmik işlem, retrieval-augmented generation (RAG), agentic AI, sorumlu yapay zekâ, blokzincir, merkeziyetsiz finans (DeFi) ve finansal düzenleme giderek daha görünür hale gelmektedir. Buna karşılık robo-danışmanlık, portföy ve yatırım araştırmalarındaki büyümeye göre belirgin biçimde küçük bir araştırma izi bırakmaktadır.
Çalışmanın en önemli yorum sınırı şudur: bu bibliyometrik sonuçlar GenAI tabanlı bir işlem sisteminin kârlı olduğunu, bir robo-danışmanın güvenilir olduğunu veya bir LLM'nin finansal kararları insanlardan daha iyi verdiğini kanıtlamaz. Çalışma araştırma literatürünün yapısını ve yönünü haritalar; gerçek ekonomik performans, işlem maliyetleri, gecikme, piyasa etkisi, yatırımcı refahı, sistemik risk ve düzenleyici güvenlik için ayrıca doğrudan ampirik doğrulama gereklidir.
Araştırmanın çözmeye çalıştığı temel problem
Üretken yapay zekâ ile finansın kesişimi tek bir disiplin içinde gelişmemektedir. Aynı konu; finans dergilerinde, hesaplamalı dilbilim konferanslarında, yapay zekâ ve makine öğrenmesi yayınlarında, bilgi sistemleri literatüründe ve FinTech çalışmalarında farklı terimlerle ele alınabilmektedir. Bir çalışma “large language model”, başka bir çalışma “ChatGPT”, “foundation model”, “financial NLP”, “sentiment trading”, “RAG”, “agentic AI” veya “AI-enabled portfolio management” terimlerini kullanabilir. Bu terminolojik dağınıklık, yalnız klasik anlatısal derleme yapıldığında alanın büyüklüğünün ve yapısal heterojenliğinin eksik görülmesine yol açabilir.
Çalışmanın yaklaşımı bu nedenle tek tek makaleleri “hangisi daha iyi?” diye sıralamak değil, literatürün yapısını haritalamaktır. Araştırma üç ana soruya odaklanır: 2023–2025 arasında bilimsel üretim, yayın kanalları, yazarlar, kurumlar, ülkeler ve atıf profili nasıl değişmiştir; alanın kavramsal yapısı hangi anahtar kelime ve tema kümeleri çevresinde örgütlenmektedir; ve literatür nicel işlem, portföy/yatırım, RAG ve ajan sistemleri, yönetişim, robo-danışmanlık ve blokzincir/DeFi gibi finansal olarak daha gömülü araştırma cephelerine doğru yakınsıyor mu?
Bu çalışma neden klasik bir sistematik derleme yerine bibliyometrik bilim haritalaması kullanıyor?
Bibliyometrik bilim haritalaması, burada tek tek araştırmaların klinik veya ekonomik etki büyüklüğünü birleştirmek için değil; 695 yayının üretim hızını, kavramlarını, iş birliği ilişkilerini, ortak referanslarını, atıf zincirlerini ve tematik yönelimini birlikte görünür kılmak için kullanılmıştır. Kaynak çalışma bu korpusu manuel olarak tek tek elenmiş dar bir sistematik derleme değil, GenAI-finans sınırını yüksek duyarlılıkla yakalamaya çalışan geniş bir bilim haritası olarak tanımlar.
Scopus korpusu nasıl oluşturuldu?
Veri Ağustos 2026'da Scopus'tan alınmıştır. Yayın penceresi 2023–2025 olarak sınırlandırılmıştır. Bunun nedeni 2026'nın henüz tamamlanmamış yayın yılı olması ve kısmi yıl sayılarının yıllık karşılaştırmayı bozabilmesidir. Arama yalnız başlıkta değil, Scopus'un TITLE-ABS-KEY alanında; yani başlık, özet ve anahtar kelime alanlarında yürütülmüştür.
| Öğe | Kaynakta bildirilen uygulama | Bilimsel anlamı |
|---|---|---|
| Veri tabanı | Scopus | Çalışmanın bibliyometrik evreni yalnız Scopus'ta yakalanan kayıtlardır. |
| Arama tarihi | Ağustos 2026 | Atıf ve indeks bilgileri bu dönemdeki veri tabanı durumunu temsil eder. |
| Yayın dönemi | 2023–2025 | ChatGPT sonrası hızlı genişleme incelenirken kısmi 2026 yılı dışarıda bırakılmıştır. |
| Arama alanı | TITLE-ABS-KEY | Başlık, özet ve anahtar kelimeler birlikte taranmıştır. |
| Yakınlık kuralı | GenAI terim bloğu W/15 finans terim bloğu | Yapay zekâ ve finans kavramlarının aynı kayıtta ilgisiz yerlerde bulunması riskini azaltmayı amaçlar. |
| Dil | İngilizce | Diğer dillerdeki literatür korpus dışında kalabilir. |
| Nihai dışa aktarım | 695 belge | Çalışmanın bütün nicel haritaları bu belgeler üzerinden kurulmuştur. |
| Metadata | 45 alan | Yazar, başlık, yıl, kaynak, atıf, DOI, afiliyasyon, özet, anahtar kelime, kaynakça ve benzeri alanlar kullanılmıştır. |
Scopus aramasındaki W/15 operatörü ne anlama geliyor?
W/15, GenAI ile ilgili bir terimin finansla ilgili terimlerden birine 15 kelimelik yakınlık içinde bulunmasını isteyen Scopus yakınlık kuralıdır. Amaç yalnız “AI” ve “finance” sözcüklerinin aynı kayıtta herhangi iki uzak noktada geçmesini yeterli saymamak ve iki kavram bloğunun aynı bağlamda kullanılma olasılığını artırmaktır; ancak çalışma bu kuralın finans dışı kayıtları tamamen ortadan kaldırmadığını açıkça belirtir.
GenAI tarafındaki arama bloğu; generative artificial intelligence, generative AI, GenAI, large language model(s), LLM(s), ChatGPT ve foundation model(s) gibi ifadeleri kapsar. Finans tarafı ise finance ve financial services yanında financial market, banking, fintech, asset/wealth management, portfolio management, investment management, algorithmic/quantitative trading, robo-advisory, decentralized finance ve blockchain gibi terimleri içerir.
695 kaydın veri denetimi
Dışa aktarılan 695 kaydın 616'sında DOI bulunduğu ve bu DOI'ler arasında yinelenen DOI olmadığı raporlanmıştır. Bununla birlikte normalize edilmiş başlıklarda beş tekrar işaretlenmiştir. Araştırmacı bu beş başlığı otomatik olarak silmemiştir; çünkü aynı veya çok benzer başlık konferans bildirisi, kitap bölümü, proceedings sürümü veya konferans ön materyali gibi farklı bibliyografik nesneleri temsil edebilir. Bu nedenle çalışmanın belgelenmiş ana korpusu 695 kayıt olarak korunmuştur.
Bu nokta önemlidir: korpus yüksek yakalama oranlı bir alan haritasıdır; manuel başlık/özet taramasıyla yalnız saf finans makalelerinden oluşturulmuş dar bir sistematik derleme değildir. Nitekim en çok atıf alan kayıtlar arasında eğitim veya kimya gibi farklı disiplinlerden bazı çok atıflı çalışmaların bulunması, yakınlık sorgusunun alan dışı taşmayı tamamen önleyemediğini göstermektedir.
Anahtar kelimeler neden harmonize edildi?
Aynı kavram veri tabanında farklı biçimlerde yazılabilir. Örneğin “generative AI”, “GenAI” ve “generative artificial intelligence” aynı temel kavramı temsil eder. Benzer biçimde “LLM”, “LLMs”, “large language model” ve “large language models” parçalı sayılırsa gerçekte tek bir araştırma temasının görünürlüğü yapay olarak düşer. Çalışma bu nedenle GenAI, LLM, NLP, RAG, fintech, blockchain, DeFi, robo-advisory, explainable AI ve machine learning gibi kavramlarda muhafazakâr eşanlamlı harmonizasyonu uygulamıştır.
Bununla birlikte ham alanlar silinmemiştir. DE, yazarların kendi verdiği anahtar kelimeleri; ID ise Scopus indeksleme anahtar kelimelerini temsil eder. Çalışma bu iki katmanı ayrı analiz ederek yazarların araştırmalarını nasıl tanımladığı ile veri tabanının çalışmaları daha geniş disipliner bağlamda nasıl indekslediğini birbirine karıştırmamıştır.
Association-strength normalizasyonu neden kullanıldı?
Ortak oluşum ağında çok sık geçen bir terim, yalnız çok sık kullanıldığı için hemen her terimle yüksek ham bağlantı sayısına sahip olabilir. Çalışmada kullanılan association-strength normalizasyonu bu tür yaygın terimlerin yalnız frekans nedeniyle ağı domine etmesini azaltmak için uygulanmıştır. Bu yüzden ağ görselinde “large language models” gibi son derece sık bir kavramın geometrik olarak kenarda görünmesi onun önemsiz olduğu anlamına gelmez; frekans grafikleri ile normalize edilmiş ilişki ağı farklı sorulara cevap verir.
Louvain toplulukları neyi gösteriyor?
Louvain topluluk algılama yöntemi, ortak yazarlık ve kavram ağlarında birbirine daha yoğun bağlanan düğümlerin görsel gruplar halinde ayrılmasına yardımcı olmak için kullanılmıştır. Kaynak çalışma bunu kesin ve değişmez bir disiplin taksonomisi olarak değil, ağdaki kümelenmeyi görünür hale getiren bir gruplama aracı olarak kullanır. Zayıf bağlantılar yalnız şekillerin okunabilirliği için bastırılmış, temel analitik matrisler korunmuştur.
Çalışmada hangi analiz katmanları kullanıldı?
| Analiz katmanı | Sorduğu temel soru | Kaynakta kullanılan çıktı |
|---|---|---|
| Performans analizi | Alan ne kadar ve nerede büyüyor? | Yıllık yayın, belge türü, kaynak, yazar, kurum, ülke ve atıf göstergeleri |
| İş birliği analizi | Ülkeler ve araştırmacılar nasıl bağlanıyor? | Ülke iş birliği ve ortak yazarlık ağları |
| Ortak kelime analizi | Hangi kavramlar birlikte ortaya çıkıyor? | Anahtar kelime frekansı, zaman yoğunluğu ve ortak oluşum ağı |
| Tematik haritalama | Bir tema alanla ne kadar bağlantılı ve kendi içinde ne kadar gelişmiş? | Motor, temel, niş ve ortaya çıkan/gerileyen tema bölgeleri |
| Kavramsal yapı | Terimler daha geniş hangi semantik kutuplarda gruplanıyor? | Multiple Correspondence Analysis (MCA) ve Correspondence Analysis (CA) |
| Bibliyografik coupling | Aynı kaynaklara dayanan yayın kanalları hangi araştırma cephelerini oluşturuyor? | Kaynak düzeyinde ortak referans toplulukları |
| Historiografik haritalama | Korpus içindeki doğrudan atıf zinciri ne kadar gelişmiş? | Tarihsel doğrudan atıf ağı |
| Üç alan analizi | Ülke, tema ve yayın kanalı nasıl birbirine bağlanıyor? | Alluvial/Sankey tipi ülke–anahtar kelime–kaynak bağlantıları |
| Tematik evrim | 2023–2024'ten 2025'e kavramların konumu nasıl değişiyor? | Dönemsel tema haritaları ve tema akışları |
| Stratejik cephe izleyicisi | Finans açısından seçilmiş araştırma alanları hangi yönde büyüyor? | Nicel işlem, portföy, robo-danışmanlık, blockchain/DeFi, governance/XAI ve RAG/agents terim sayıları |
Merkezi matematiksel formül var mı?
Bu çalışma yeni bir fiyatlama modeli, portföy optimizasyon denklemi veya makine öğrenmesi kayıp fonksiyonu önermemektedir. Kaynakta W/15 arama mantığı, association-strength normalizasyonu, Louvain, MCA ve CA gibi yöntemlerin adları ve bilimsel rolleri verilmektedir; ancak bunların matematiksel türetimleri veya açık denklemleri makalenin yöntemi olarak yazılmamıştır. Bu nedenle kaynakta bulunmayan formüller Verianla anlatımına eklenmemiştir. Aynı şekilde çalışmada p değeri, güven aralığı veya etki büyüklüğüne dayalı hipotez testi raporlanmadığından böyle istatistikler üretilmemiştir.
Yayın sayısındaki büyüme ne kadar güçlü?
Korpusta 2023 için 46, 2024 için 181 ve 2025 için 468 belge vardır. Kaynak, 2024 sayısının 2023'e göre %293,5; 2025 sayısının ise 2024'e göre %158,6 daha yüksek olduğunu bildirir. Üç yıllık toplamın %6,6'sı 2023, %26,0'ı 2024 ve %67,3'ü 2025 yayınlarından oluşmaktadır.
| Yıl | Belge sayısı | Korpustaki pay | Yorum sınırı |
|---|---|---|---|
| 2023 | 46 | %6,6 | Post-ChatGPT dönemin erken yılı |
| 2024 | 181 | %26,0 | 2023'e göre %293,5 daha yüksek yayın sayısı |
| 2025 | 468 | %67,3 | 2024'e göre %158,6 daha yüksek yayın sayısı |
Atıf sayısındaki düşüş neden doğrudan kalite düşüşü olarak okunmamalı?
2023 yayınlarının belge başına ortalama atıf sayısı 56,6; 2024'ün 15,6; 2025'in 5,1 olarak raporlanmıştır. Ancak 2025 yayınlarının atıf toplamak için çok daha kısa zamanı vardır. Çalışma bu nedenle yeni yayınların düşük ortalama atıf değerini bilimsel kalite düşüşü olarak yorumlamaz; temel açıklama atıf maruziyet süresidir. Bu aynı zamanda ham atıf sıralamalarının erken post-ChatGPT yayınlarını ve geniş multidisipliner derlemeleri sistematik biçimde avantajlı hale getirebileceği anlamına gelir.
Alan neden “konferans ağırlıklı” olarak tanımlanıyor?
| Belge türü | Adet | Kaynakta bildirilen pay |
|---|---|---|
| Konferans bildirisi | 380 | %54,7 |
| Dergi makalesi | 170 | %24,5 |
| Kitap bölümü | 70 | %10,1 |
| Konferans derlemesi/review | 33 | %4,7 |
| Derleme | 24 | %3,5 |
| Kitap | 15 | %2,2 |
| Not | 2 | Kaynak yüzde vermiyor |
| Kısa survey | 1 | Kaynak yüzde vermiyor |
Konferans bildirilerinin korpusun yarısından fazlasını oluşturması, teknik bileşenleri çok hızlı değişen bir araştırma alanına uygundur. RAG, agentic AI, fine-tuning ve yeni finansal benchmark'lar gibi teknik konular konferans ekosistemine hızlı girebilir. Ancak çalışma bunun karşı tarafını da vurgular: konferans ağırlıklı hızlı yayılım, finans teorisiyle entegrasyonun ve uzun dönem ampirik doğrulamanın aynı hızda olacağı anlamına gelmez.
Yayın ekosistemi gerçekten finans dergilerinden mi oluşuyor?
Hayır. Çalışmanın önemli bulgularından biri, GenAI-finans literatürünün iki yayın kültürü arasında dağılmasıdır. Association for Computational Linguistics yıllık toplantı proceedings'i 16 kayıtla en sık kaynak olarak raporlanmıştır. Lecture Notes in Networks and Systems 13; Finance Research Letters, ICAIF 2025 ve Communications in Computer and Information Science 12'şer; ICAIF 2024 ve Lecture Notes in Computer Science ise 10'ar kayıtla öne çıkmaktadır.
Bu dağılım, alanın yalnız “finans dergilerinde yapay zekâ” olarak tanımlanamayacağını gösterir. Bir yayın kültürü dil modelleme, retrieval, değerlendirme ve hesaplamalı yöntemlere; diğer yayın kültürü ise portföy, işlem, finansal kurumlar ve karar görevlerine daha yakındır.
Yazar, kurum ve ülke yapısı
Yazarlık oldukça dağınıktır. Scopus metadata'sında “Y. Li” 13 yayınla en üretken yazar tanımlayıcısıdır; ancak çalışma kısaltılmış isimlerin farklı kişileri birleştirebileceği veya aynı kişiyi ayırabileceği uyarısını açıkça yapar. Bu nedenle bu tür yazar sıralamaları kişi düzeyinde kesin kimlik sıralaması olarak değerlendirilmemelidir.
Kurum düzeyinde University of Oxford 10 kayıtla ilk sıradadır. University of Cambridge, Tianjin University, Hong Kong University of Science and Technology, Renmin University of China ve Old Dominion University beşer kayıtla belirtilmiştir. Araştırmacı bu dağılımı tek bir kurumsal merkezin alanı kontrol etmediği, araştırma kapasitesinin daha dağınık olduğu biçiminde yorumlar.
| Ülke | Yazar-ülke oluşumu | Önemli yorum sınırı |
|---|---|---|
| Amerika Birleşik Devletleri | 359 | Bunlar benzersiz belge sayıları değildir. Birden fazla yazar/ülke katkısı nedeniyle toplam korpus büyüklüğünü aşabilir. |
| Çin | 252 | |
| Hindistan | 245 | |
| Birleşik Krallık | 97 | |
| Kanada | 46 | |
| Kore | 44 | |
| Avustralya | 40 |
Ülke iş birliği ağı; ABD, Çin, Birleşik Krallık, Kanada, Avustralya, Kore, Japonya, Singapur ve Hong Kong'u içeren yoğun bir merkezi topluluk göstermektedir. Hindistan ise bu çekirdek ile Malezya, Endonezya, Ürdün, Umman, Bangladeş, Katar, Irak ve Birleşik Arap Emirlikleri gibi ülkelerin yer aldığı başka bir topluluk arasında köprü konumunda görünmektedir. Bu sonuç coğrafi iş birliği yapısını anlatır; ülkelerin araştırma kalitesine ilişkin bir sıralama değildir.
Ham atıf sayısı neden “finans açısından en önemli çalışma” demek değildir?
Korpusta en yüksek küresel atıflı kayıtların sıralaması disiplinler arası çalışmaların etkisini açıkça gösterir. Çalışmanın veri anındaki sıralamasında geniş kapsamlı bir GenAI çalışması 579, FinBERT 548, Dowling ve Lucey'nin finans araştırması 491, yüksek atıflı bir eğitim çalışması 456 ve finans alanındaki LLM survey'i 310 atıfla üst sıralardadır. Eğitim gibi doğrudan finans dışı bir kaydın üst sıralara girebilmesi, küresel atıf sayısının finans alanına özgü entelektüel önemle eşitlenmemesi gerektiğini göstermektedir.
Alanı hangi anahtar kelimeler taşıyor?
| Anahtar kelime | Belge sayısı / oluşum |
|---|---|
| Large language models | 248 |
| Generative artificial intelligence | 136 |
| Artificial intelligence | 88 |
| ChatGPT | 71 |
| Finance | 50 |
| Natural language processing | 46 |
| Sentiment analysis | 39 |
| Fintech | 38 |
| Machine learning | 36 |
| Retrieval-augmented generation | 26 |
| Portfolio management | 12 |
| Explainable AI | 12 |
| Algorithmic trading | 9 |
| Financial forecasting | 8 |
| Blockchain | 8 |
Scopus indeks anahtar kelimeleri farklı bir resim verir. Investments 81; financial markets ve finance 73'er; decentralized finance 67; electronic trading 41; banking 35 ve regulatory compliance 34 oluşumla öne çıkmaktadır. Yazar anahtar kelimelerinin model ve yöntem diline, Scopus indeks terimlerinin ise uygulama bağlamlarına daha geniş yer vermesi, DE ve ID alanlarının ayrı tutulmasının neden önemli olduğunu gösterir.
Zaman içinde hangi kavramlar hızlanıyor?
| Kavram | 2023 | 2024 | 2025 | Kaynak-destekli yorum |
|---|---|---|---|---|
| Large language models | 11 | 74 | 163 | Teknolojik çekirdeğin hızla büyüdüğünü gösterir. |
| Generative artificial intelligence | 5 | 36 | 95 | GenAI etiketinin hızlı yayılımını gösterir. |
| RAG | 0 | 4 | 22 | 2025'te retrieval tabanlı mimarilerin belirginleştiğini gösterir. |
| Sentiment analysis | 4 | 8 | 27 | Duygu analizinin büyümeyi sürdürdüğünü gösterir. |
| Machine learning | 1 | 11 | 24 | Daha geniş ML bağının da güçlendiğini gösterir. |
| Banking | 3 | 7 | 4 | Toplam yayın büyümesine paralel ölçeklenmemiştir. |
Çalışma, bu ayrışmayı alanın erken dönem “bankacılık/chatbot” çerçevesinden piyasa, yatırım, retrieval ve model yönetişimi uygulamalarına doğru yayılmasıyla ilişkilendirir.
Ortak anahtar kelime ağı hangi üç büyük bilgi topluluğunu gösteriyor?
Teknoloji ve yönetişim topluluğu; generative AI, responsible AI, trustworthy AI, explainable AI, prompt engineering, portfolio management ve data privacy kavramlarını bağlar. Nicel yöntemler topluluğu; natural language processing, sentiment analysis, algorithmic trading, machine learning, deep learning, financial forecasting ve fraud detection terimlerini bir araya getirir. Finansal hizmetler topluluğu ise finance, fintech, banking, ChatGPT, artificial intelligence, security, risk assessment ve financial services çevresinde şekillenir. Fine-tuning, cybersecurity ve healthcare çevresinde daha küçük teknik bir alt topluluk da görülmektedir.
Bu yapı GenAI-finans literatürünün artık tek bir kullanım ailesinden oluşmadığını düşündürmektedir. Kaynağın yorumuna göre en az üç katman birlikte ilerlemektedir: temel model teknolojileri, finansal tahmin/işlem yöntemleri ve kurumsal/yönetişim uygulamaları.
Tematik haritadaki “motor”, “temel”, “niş” ve “ortaya çıkan” tema ne demektir?
Tematik harita iki eksen kullanır: merkezilik bir temanın genel alanla bağlantısını, yoğunluk ise o temanın kendi içindeki gelişmişlik ve bütünleşme düzeyini temsil eder. Buna göre yüksek merkezilik ve yüksek yoğunluk bölgesindeki temalar “motor”; yüksek merkezilik fakat daha düşük yoğunluk bölgesindekiler “temel”; kendi içinde gelişmiş ancak genel alanla daha zayıf bağlantılı olanlar “niş”; düşük merkezilik ve düşük yoğunluk bölgesindekiler ise “ortaya çıkan veya gerileyen” temalar olarak değerlendirilir.
Kaynak haritasında large language models, natural language processing ve sentiment analysis çevresindeki büyük küme ile artificial intelligence, ChatGPT ve finance çevresindeki küme alanın temel ortak dilini oluşturur. Generative artificial intelligence ile responsible AI ve financial literacy'yi bir araya getiren küme motor-tema bölgesinde görünür. Explainable AI, differential privacy ve federated learning ise daha çok ortaya çıkan/gerileyen bölgeye yakındır. Araştırmacının yorumunda burada önemli bir uygulama boşluğu vardır: sorumlu AI üzerine normatif söylem, uygulanabilir gizlilik ve açıklanabilirlik kontrollerinden daha hızlı gelişiyor olabilir.
MCA çalışmada neyi ortaya çıkarıyor?
Multiple Correspondence Analysis (MCA), anahtar kelimelerin daha geniş kavramsal yakınlıklarını üç büyük kutupta göstermiştir. En geniş kutup; foundation models, agentic AI, differential privacy, AI governance, responsible/trustworthy AI, RAG, prompt engineering, LLMs, question answering, fintech, blockchain, cybersecurity, financial literacy, financial services ve portfolio management gibi genel GenAI-finans altyapısı ve yönetişim terimlerini içerir.
İkinci kutup daha açık biçimde tahmin ve piyasa odaklıdır: natural language processing, sentiment analysis, transformer methods, machine learning, deep learning, algorithmic trading, financial forecasting ve data privacy burada birlikte görünür. Kaynak bunu finansal metin analizinin işlem ve tahmin mimarilerine doğru genişleyen modern bir uzantısı olarak değerlendirir.
Üçüncü kutup ise kurum ve risk odaklıdır: accounting, banking, security, portfolio optimisation, fraud detection, risk assessment ve risk management gibi kavramları içerir. Bu ayrışma; uygunluk, güvene dayalı sorumluluk, operasyonel dayanıklılık, model doğrulama ve finansal risk yönetişimi gibi soruların ayrı bir araştırma alanı oluşturabilmesi için zemin sağlamaktadır.
Çalışma ayrıca Correspondence Analysis (CA) ile sağlamlık görünümü üretmiştir. Ancak question answering ve bazı privacy kavramlarının güçlü geometrik aykırı değerler haline gelmesi nedeniyle CA'nın küresel bölümlenmesi MCA kadar yorumlanabilir bulunmamış; MCA ana kavramsal harita, CA ise sağlamlık görseli olarak değerlendirilmiştir.
İki ayrı araştırma rejimi ne anlama geliyor?
Kaynak düzeyindeki bibliyografik coupling, ortak referanslara bakıldığında iki büyük yayın topluluğu olduğunu gösterir. Bir topluluk ACL, EMNLP, NAACL, COLING, ICLR, NeurIPS ve benzeri hesaplamalı dilbilim/makine öğrenmesi ortamları çevresinde şekillenir. Diğer topluluk ICAIF, Journal of Portfolio Management, IEEE Access ve finansal mühendislik/uygulamalı finansal AI yayınları çevresindedir.
Çalışma bu ayrımı technology-push ve finance-application rejimleri olarak yorumlar. İlk rejim model mimarileri, retrieval, reasoning, agents ve dil işleme yöntemlerini geliştirir. İkinci rejim bu yetenekleri trading, portfolio, banking, risk veya financial engineering görevlerine taşır. İki rejim arasında ortak referans bağları vardır; ancak bağlantı henüz alanın tamamen birleştiğini gösterecek kadar güçlü değildir.
Doğrudan atıf tarihçesi de genç bir alanı gösterir. Korpus içindeki görünür atıf zincirleri çoğunlukla 2023–2025 arasında kısadır. Bu durum yalnız üç yıllık pencerenin doğal sonucu olmakla birlikte ortak benchmark'ların, kanonik veri setlerinin ve uzun süreli teorik tartışmaların henüz tam yerleşmediğine de işaret eder.
2023–2024'ten 2025'e hangi yapısal değişim görülüyor?
2023–2024 döneminde artificial intelligence ve ChatGPT daha temel temalar olarak görünürken RAG/responsible AI daha niş, deep learning/explainable AI ise daha erken aşamadadır. 2025 haritasında sentiment analysis ve machine learning motor bölgesine taşınmakta; LLM ve RAG daha merkezi ve gelişmiş hale gelmekte; responsible GenAI merkeze yaklaşmakta; portfolio management ile agentic AI ise ortaya çıkan yeni tema olarak görünmektedir.
Kaynak bu değişimi tek seferlik prompt etkileşimlerinden, dış kanıt çağırabilen, görev durumu tutabilen ve çok adımlı finansal iş akışlarında hareket edebilen sistem mimarilerine doğru yönelim olarak yorumlamaktadır.
Çalışmanın Yöntemi ve Bulguları
Yöntemsel zincirin teknik özeti
- Scopus'ta 2023–2025 dönemini kapsayan İngilizce kayıtlar TITLE-ABS-KEY alanında tarandı.
- GenAI teknoloji terimleri ile finans alanı terimlerinin W/15 yakınlığında bulunması istendi.
- 695 kayıt ve 45 metadata alanı dışa aktarıldı.
- 616 DOI doğrulandı; yinelenen DOI bulunmadı. Beş normalize başlık tekrarı işaretlendi ancak otomatik silinmedi.
- Yazar anahtar kelimeleri ve Scopus indeks anahtar kelimeleri ayrı tutuldu.
- Eşanlamlı teknik terimler muhafazakâr biçimde harmonize edildi.
- R ortamında bibliometrix ile performans, iş birliği, co-word, tematik yapı, MCA/CA, bibliographic coupling, historiography, üç-alan ve dönemsel tema analizleri yürütüldü.
- Association-strength normalizasyonu ortak oluşum ağında çok yaygın terimlerin ham frekans nedeniyle baskınlaşmasını azaltmak için kullanıldı.
- Louvain topluluk algılama ağların görsel gruplandırılmasında kullanıldı.
- Finans açısından önceden tanımlanmış stratejik cephelerin birleşik yazar ve indeks anahtar kelimelerindeki oluşumları yıllar arasında karşılaştırıldı.
Bu çalışmada istatistiksel hipotez testi var mı?
Kaynak çalışma klasik deneysel veya ekonometrik hipotez testi yürütmemektedir. p değeri, güven aralığı veya etki büyüklüğüne dayalı ana bir çıkarımsal test raporlanmamıştır. Yıllık yayın sayıları, frekanslar ve atıf göstergeleri betimsel; ağ, tematik harita, MCA ve bibliyografik coupling sonuçları yapısal ve karşılaştırmalı olarak yorumlanmıştır. Bu nedenle ağdaki bir yakınlık veya anahtar kelime artışı nedensellik kanıtı değildir.
Finansta üretken yapay zekânın en hızlı büyüyen araştırma cepheleri hangileri?
Kaynağın stratejik cephe izleyicisine göre 2023–2025 arasında en büyük nicel genişleme portföy/yatırım terimlerinde 6→26→99, governance/XAI/regulation alanında 7→15→84, blockchain/DeFi alanında 5→38→63, quantitative/algorithmic trading alanında 0→10→60 ve RAG/agents alanında 0→7→60 olarak görülür; robo-advisory ise yalnız 0→1→4 düzeyinde kalır. Bunlar yayın veya sistem başarısı değil, birleşik anahtar kelime alanındaki izlenen oluşum sayılarıdır.
| Araştırma cephesi | 2023 | 2024 | 2025 | Kaynağın vurguladığı açık araştırma problemi |
|---|---|---|---|---|
| Nicel / algoritmik işlem | 0 | 10 | 60 | Maliyet, gecikme, piyasa etkisi ve rejim değişimi sonrasında uygulanabilir alpha oluşuyor mu? |
| Portföy / yatırım | 6 | 26 | 99 | GenAI tahsisi ne zaman iyileştiriyor, ne zaman davranışsal veya model riskini büyütüyor? |
| Robo-danışmanlık | 0 | 1 | 4 | Uygunluk, güven kalibrasyonu ve yatırımcı refahı nasıl ölçülmeli? |
| Blockchain / DeFi | 5 | 38 | 63 | Ajan sistemleri geri döndürülemez akıllı sözleşme işlemleri ve merkeziyetsiz yönetişimle nasıl güvenli etkileşir? |
| Governance / XAI / regulation | 7 | 15 | 84 | Düzenlenmiş finansta hangi kontroller GenAI'yi denetlenebilir ve operasyonel olarak dayanıklı kılar? |
| RAG / agents | 0 | 7 | 60 | Retrieval ve araç kullanımı doğruluğu artırırken yeni hata kanalları oluşturuyor mu? |
Araştırma cephesi I: GenAI destekli nicel işlem ve piyasa mikroyapısı
Nicel/algoritmik işlem cephesi kaynak izleyicide 2023'te 0, 2024'te 10, 2025'te 60 oluşuma yükselmiştir. Kaynak bu artışı, yalnız duygu çıkarımından daha bütünleşik karar sistemlerine geçişle uyumlu görmektedir. Ancak LLM tabanlı sinyalin tarihsel veride getiri tahmin etmesi, gerçek piyasada uygulanabilir alpha ürettiği anlamına gelmez.
Çalışmanın önerdiği temel doğrulama başlıkları işlem maliyeti, gecikme, portföy devir hızı, piyasa etkisi ve aynı sinyalin çok sayıda katılımcı tarafından kullanılmasından doğabilecek crowding etkisidir. Gelecekte LLM destekli stratejilerin klasik istatistiksel arbitraj, denetimli makine öğrenmesi ve reinforcement learning yöntemleriyle gerçekçi out-of-sample protokollerde karşılaştırılması önerilmektedir.
Piyasa mikroyapısı açısından yalnız tahmin doğruluğu değil; spread, piyasa derinliği, adverse selection, price discovery, market impact ve execution shortfall gibi ekonomik sonuçların da ölçülmesi gerektiği vurgulanmaktadır. Ayrıca birçok ajan benzer LLM sinyallerini kullanmaya başladığında modellerin tahmin etmeye çalıştıkları bilgi ortamını kendilerinin değiştirebileceği ihtimali araştırılmalıdır.
Araştırma cephesi II: AI-native portföy yönetimi ve robo-danışmanlık
Portföy/yatırım temaları 6→26→99 ile çalışmanın en hızlı büyüyen stratejik cephesidir. Buna karşılık robo-advisory 0→1→4 düzeyinde kalmıştır. Çalışma bu farkı politika açısından düşük önem olarak değil, araştırma boşluğu olarak yorumlar.
Robo-danışmanlık neden portföy araştırmasına göre belirgin biçimde geride kalıyor?
Korpus, GenAI'nin varlık seçimi, tahmin, risk değerlendirmesi ve portföy oluşturmadaki kullanımını hızla tartışırken insan yatırımcıya kurumsal biçimde tavsiye sunan robo-danışman arayüzlerini çok daha az incelemektedir. Kaynağa göre portföye teknik destek ile finansal danışmanlık aynı şey değildir; danışmanlıkta uygunluk, risk toleransının kararlılığı, güven kalibrasyonu, aşırı güven, finansal okuryazarlık, çerçeveleme etkileri, tüketici koruması ve yatırımcı refahı ayrıca ölçülmelidir.
Kaynak, gelecekte kural tabanlı robo-danışmanların, geleneksel makine öğrenmesi danışmanlarının ve konuşmalı GenAI sistemlerinin aynı yatırımcı profilleri ve piyasa senaryoları altında karşılaştırılmasını önerir. Esas tasarım problemi yalnız kişiselleştirme değil, kişiselleştirmenin denetlenebilir olması ve güvene dayalı sorumluluk ile tüketici koruma yükümlülükleriyle uyumlu hale gelmesidir.
Araştırma cephesi III: Blockchain, DeFi ve programlanabilir finans
Blockchain/DeFi cephesi 2023'te 5, 2024'te 38 ve 2025'te 63 oluşuma yükselmiştir. Bununla birlikte tematik yapı ve bibliyografik coupling, bu araştırmaların önemli bölümünün GenAI-finansın merkezî bilgi yapısına tam olarak entegre olmak yerine ona komşu kaldığını düşündürmektedir.
Potansiyel entegrasyon yolları arasında GenAI ajanlarının akıllı sözleşme dokümantasyonunu, yönetişim tekliflerini, token açıklamalarını, protokol olaylarını ve zincirler arası bilgileri yorumlaması; RAG sistemlerinin kararlarını güncel protokol durumu ve hukuki/teknik belgelere bağlaması; otomatik uyum araçlarının programlanabilir işlemleri izlemesi bulunmaktadır.
Ancak programlanabilir finans daha sert bir hata yüzeyi yaratır. Geleneksel danışmanlıkta yanlış bir ifade işlem öncesinde düzeltilebilirken bir ajan geri döndürülemez veya maliyetli bir akıllı sözleşme işlemini tetikleyebilir. Bu nedenle kaynak; yetkiler, execution safeguard'ları, rollback mekanizmaları, oracle riski, composability, smart-contract etkileşimi ve adversarial manipulation gibi konuların doğrudan modellenmesini önermektedir. Sonuç değişkenleri de kullanıcı memnuniyetinden daha geniş tutulmalı; likidite, price discovery, protokol ödeme gücü, sistemik yayılma ve yönetişim kalitesi incelenmelidir.
Araştırma cephesi IV: Yönetişim, RAG, agentic AI ve finansal düzenleme
Governance/XAI/regulation cephesi 7→15→84; RAG/agents cephesi 0→7→60 olarak büyümüştür. Çalışma bu iki artışı birlikte değerlendirir: finansal GenAI sistemleri daha fazla yetenek kazandıkça yönetişim problemi tek bir model çıktısını kontrol etmekten, çok adımlı bir iş akışının davranışını kontrol etmeye dönüşmektedir.
Bir üretim sistemi özel veri çekebilir, analiz araçlarını çağırabilir, öneri üretebilir, kod çalıştırabilir, kullanıcıyla iletişim kurabilir ve çıktısını başka sistemlere aktarabilir. Böyle bir mimaride yalnız “model neden bu cevabı verdi?” sorusuna yanıt veren model düzeyi açıklanabilirlik yeterli değildir.
Kaynakta öne çıkan riskler arasında hallucination, prompt injection, retrieval contamination, kararsız çıktılar, model güncellemeleri, veri sızıntısı ve araç kullanma yetkileri yer almaktadır. Gelecek çalışmalar için finans odaklı model kartları, retrieval provenance, audit log'ları, human-in-the-loop escalation, adversarial testing, senaryo tabanlı stress testing ve ajan eylemlerinde açık sorumluluk mekanizmaları önerilmektedir.
Çalışmanın desteklediği sonuçlar
- 2023–2025 Scopus korpusunda GenAI-finans yayınları son derece hızlı büyümüştür.
- Korpus güçlü biçimde konferans ağırlıklıdır.
- LLM, GenAI, ChatGPT, NLP, duygu analizi ve makine öğrenmesi kavramsal çekirdekte kalmaktadır.
- Portföy yönetimi, nicel işlem, governance, RAG/agents ve blockchain/DeFi daha görünür hale gelmektedir.
- Robo-danışmanlık, portföy/yatırım araştırmalarının büyüklüğüne kıyasla belirgin biçimde az temsil edilmektedir.
- Hesaplamalı dilbilim/makine öğrenmesi yayın ekosistemi ile uygulamalı finansal AI ekosistemi arasında bağlantı vardır ancak tam yapısal bütünleşme yoktur.
- Korpus içindeki doğrudan atıf tarihi hâlâ sığdır ve alanın kanonik yapısı yerleşme aşamasındadır.
- Sorumlu AI ve yönetişim tartışması merkezileşirken bazı uygulanabilir teknik kontrol alanları daha erken aşamadadır.
Çalışmanın desteklemediği sonuçlar
- GenAI kullanan yatırım stratejilerinin otomatik olarak daha kârlı olduğu sonucu çıkarılamaz.
- LLM tabanlı işlem sistemlerinin işlem maliyetleri sonrasında pozitif alpha ürettiği kanıtlanmamıştır.
- GenAI robo-danışmanlarının insanlar veya mevcut robo-danışmanlardan daha güvenli olduğu gösterilmemiştir.
- RAG kullanmanın finansal doğruluğu her koşulda artırdığı kanıtlanmamıştır.
- Agentic AI'nin blokzincir veya DeFi üzerinde güvenli biçimde otonom işlem yapabileceği gösterilmemiştir.
- Anahtar kelime frekansındaki artış, teknolojinin gerçek dünyadaki başarı veya benimsenme oranına eşit değildir.
- Bibliyometrik kümeler nedensel ilişkiler değildir.
- Ülke oluşum sayıları araştırma kalitesi veya benzersiz yayın sayısı sıralaması değildir.
Çalışmanın temel sınırlılıkları
1. Tek veri tabanı: Çalışma Scopus'a dayanır. Scopus'ta bulunmayan working paper'lar, teknik repository içerikleri, SSRN çalışmaları, endüstri araştırmaları veya başka veri tabanlarında indekslenen yayınlar eksik kalabilir.
2. W/15 kusursuz bir alan filtresi değildir: Yakınlık sorgusu basit Boolean sorgudan daha seçici olsa da finansla yalnız dolaylı ilişkili bazı multidisipliner kayıtlar korpusa girebilir. Kaynak bunu özellikle küresel atıf sıralamasında görünür hale getirir.
3. Zaman penceresi yalnız üç yıldır: Tematik bölgeler, ağ merkezilikleri ve bibliyografik coupling yapıları literatür büyüdükçe değişebilir. Sonuçlar uzun dönemli kararlı yapı kanıtı değildir.
4. 2025 yayınlarının atıf süresi kısadır: Erken yıllar daha uzun atıf maruziyetine sahip olduğu için ham atıf karşılaştırması yeni yayınları dezavantajlı hale getirir.
5. Yazar kimliği çözümleme kusursuz değildir: Scopus'taki kısaltılmış adlar eş adlı kişileri birleştirebilir veya aynı kişinin kayıtlarını parçalayabilir.
6. Ülke göstergesi belge sayısı değildir: Kullanılan ölçüm yazar-ülke oluşumudur; çok uluslu ve çok yazarlı çalışmalar nedeniyle toplamlar 695'i aşabilir.
7. Anahtar kelime harmonizasyonu araştırmacı kararı içerir: Çalışma agresif anlamsal birleştirmeden kaçınmış ve ham alanları saklamış olsa da eşanlamlı eşleme tamamen yorumsuz bir işlem değildir.
8. Stratejik cephe göstergesi latent-topic modeli değildir: Cephe izleyicisi önceden tanımlanan finansla ilişkili terimlerin yazar ve indeks anahtar kelimelerindeki oluşumlarını sayar. Bu nedenle değerler “alanda kaç çalışma var?” sorusunun kusursuz cevabı değil, yön ve göreli ölçek göstergesidir.
Kaynağın önerdiği sonraki yöntemler arasında dinamik topic model'ler, embedding tabanlı clustering, citation-context analysis ve supervised document classification ile aynı geçişin yeniden doğrulanması bulunmaktadır.
Genel bilimsel yorum
Çalışmanın ortaya koyduğu resim, finansta üretken yapay zekânın “bir LLM finansal bir metin görevini yapabilir mi?” sorusundan “LLM finansal karar sisteminin bir bileşeni olduğunda bütün sistem nasıl tasarlanmalı?” sorusuna kaymaya başladığıdır. Bu geçişte model yeteneği tek başına yeterli değildir. Finansal değerin; alan bilgisi, doğrulanabilir dış bilgi, optimizasyon, risk sınırları, insan gözetimi, yürütme altyapısı, piyasa mikroyapısı ve düzenleyici sorumlulukla birlikte değerlendirilmesi gerekir.
Bibliyometrik kanıt aynı zamanda alanın henüz tamamlanmış bir teorik çerçeveye sahip olmadığını gösterir. Bilgisayar bilimi ve finans uygulaması arasındaki bağ güçlenmektedir; ancak benchmark'lar, ortak veri setleri, uzun atıf zincirleri ve finans teorisiyle sistematik bağlantılar hâlâ gelişme aşamasındadır. Bu nedenle hızlı yayın artışı ile bilimsel olgunluk aynı kavram olarak kullanılmamalıdır.
Kaynak ve Yöntem Notu
Özgün çalışma: Generative AI in Finance: Mapping the Emerging Convergence of Quantitative Trading, Robo-Advisory, and Blockchain Markets
Yazar: Ngo Phu Thanh. Derginin çevrimiçi metadata sayfası adı “Phu Thanh Ngo” sırasıyla göstermektedir; bu Verianla metninde özgün PDF üzerindeki yazar yazımı korunmuştur.
Kurum: University of Economics and Law, Vietnam National University, Ho Chi Minh City, Vietnam.
ORCID: 0000-0002-9174-4747 (resmî dergi metadata kaydında).
Corresponding author: Kaynak PDF tek yazarlı çalışmada yazar iletişim bilgisini vermektedir; ayrıca ayrı bir “corresponding author” etiketi görünür biçimde belirtilmemektedir. Bu nedenle ek bir sorumlu yazar statüsü varsayılmamıştır.
Dergi: Journal of Corporate Finance Research.
Bölüm: New Research.
Kurucu/yayın platformu: National Research University Higher School of Economics (NRU HSE) tarafından yürütülen Journal of Corporate Finance Research.
Cilt / sayı / sayfalar: 20(3), 21–48.
Yayın yılı: 2026.
Resmî çevrimiçi yayın tarihi: 30 Ekim 2026.
Gönderim: 26 Kasım 2025.
Hakem değerlendirmesi sonrası onay tarihi: 7 Nisan 2026.
Kabul tarihi: 29 Haziran 2026.
Hakemlik: Hakemli dergi makalesidir. Journal of Corporate Finance Research resmî editoryal politikası çift-kör hakemlik uyguladığını belirtmektedir.
DOI: 10.17323/j.jcfr.2073-0438.20.3.2026.21-48
Resmî yayın sayfası: https://cfjournal.hse.ru/en/article/view/29886
JEL sınıflandırması: G34. Bu kod kaynakta bu şekilde verilmiştir; Verianla tarafından değiştirilmemiştir.
Kaynak türü: Bibliyometrik analiz ve bilim haritalaması yapan hakemli araştırma makalesi. Çalışma yatırım stratejisi backtesti, kontrollü deney, piyasa simülasyonu veya nedensel finansal performans analizi değildir.
Veri kaynağı: Scopus'tan Ağustos 2026'da alınan, 2023–2025 dönemine ait 695 İngilizce kayıt ve 45 metadata alanı.
Temel yazılım: R ortamında bibliometrix paketi.
Temel yöntemler: Performans analizi, iş birliği ağı, co-word analizi, tematik harita, MCA, CA sağlamlık görünümü, kaynak düzeyinde bibliyografik coupling, historiografik doğrudan atıf analizi, üç alan analizi ve stratejik araştırma cephesi izleme.
Finansman: Çalışma University of Economics and Law, Vietnam National University Ho Chi Minh City, Vietnam tarafından finanse edilmiştir.
Çıkar çatışması: İncelenen kaynak PDF'de ayrı bir çıkar çatışması beyanı tespit edilmemiştir; bu nedenle “çıkar çatışması yoktur” şeklinde varsayım yapılmamıştır.
Veri erişilebilirliği: Kaynak, Scopus dışa aktarımının 695 kayıt ve 45 metadata alanından oluştuğunu bildirir; incelenen PDF'de ayrıca açık bir veri repository bağlantısı veya bağımsız data-availability statement tespit edilmemiştir.
Yazar katkıları / CRediT: Kaynak tek yazarlıdır; incelenen PDF'de ayrıca CRediT rol dağılımı verilmemiştir.
Lisans konusunda önemli tutarsızlık: Kaynak PDF'nin ilk sayfası makaleyi Creative Commons Attribution 4.0 International (CC BY 4.0) olarak tanımlamaktadır. Buna karşılık derginin güncel resmî makale sayfası Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) göstermektedir. Bu çelişki Verianla tarafından sessizce çözülmüş sayılmamıştır. Telif güvenliği açısından daha kısıtlayıcı güncel resmî kayıt esas alınmış; kaynak şekillerinin veya tablo düzenlerinin uyarlanmış kopyaları kullanılmamıştır.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir