Financial market anomalies: Detecting techniques and market efficiency implications
Finansal piyasa anormallikleri: Tespit teknikleri ve piyasa verimliliğine yönelik etkileri
- Tez No: 1000851
- Danışmanlar: PROF. DR. MUHİTTİN KAPLAN
- Tez Türü: Doktora
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İbn Haldun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Ekonomi Ana Bilim Dalı
- Bilim Dalı: Ekonomi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Etkin Piyasa Hipotezi'nin öne sürdüğü gibi finansal piyasaların her zaman mükemmel derecede verimli olmadığını savunan Uyarlanabilir Piyasa Hipotezi'ne dayanmaktadır. Bunun yerine, piyasalar zaman içinde yatırımcıların öğrenmesi, uyum sağlaması ve yeni bilgilere farklı tepkiler vermesi nedeniyle değişir. Bu çalışmanın bulguları, piyasa davranışının statik değil dinamik olduğunu göstererek Uyarlanabilir Piyasa Hipotezi'ni güçlü bir şekilde desteklemektedir. Tez, birbirine bağlı üç makaleden oluşmaktadır. İlki, ARMA, ARIMA ve GARCH gibi geleneksel anomali tespit yöntemlerinin sınırlamalarını incelemektedir. Bu modeller, durağanlık ve belirli dağılımlar da dahil olmak üzere katı varsayımlara dayanır ve yanlış spesifikasyona eğilimlidir. Bu sorunları ele almak için çalışma, Aşağıdan Yukarıya Volatilite, Negatif Koşullu Çarpıklık, Göreceli Frekans ve GK risk yaklaşımı da dahil olmak üzere alternatif risk ölçütleri sunmaktadır. Her Risk Ölçütü farklı kalıpları yakaladığı için, ortak anomalileri daha etkili bir şekilde tespit etmek için Z-skor normalizasyonu ve Mahalanobis mesafesi kullanılmaktadır. Bu yaklaşım, risk yönetimi ve düzenleyici izleme için geliştirilmiş araçlar sunmaktadır. İkinci makale, etiketli verilerin bulunmadığı yüksek volatiliteli piyasalarda anormallikleri tespit etmek için denetimsiz makine öğrenme yöntemlerini inceliyor. Monte Carlo simülasyonları ve gerçek kripto para verileri kullanılarak dört model değerlendiriliyor: DBSCAN, İzolasyon Ormanı, Tek Sınıflı SVM ve Yerel Aykırı Değer Faktörü. Sonuçlar, DBSCAN'ın alternatiflerden sürekli olarak daha iyi performans gösterdiğini ortaya koyuyor. Son makale, altı kripto para biriminde kısa, orta ve uzun vadeli anormallikleri tespit etmek için farklı boyutlarda kayan pencerelerle DBSCAN'ı uyguluyor. Bu anormallikler işlem sinyalleri olarak kullanılıyor. Bir anormallik pozitif getiriyle ortaya çıkarsa, strateji satış öneriyor. Negatif getiriyle ortaya çıkarsa, alım öneriyor. Sonuçlar, dokuz aylık kayan pencere stratejisine sahip bir DBSCAN'ın, altı kripto para biriminin tamamında geleneksel al-tut stratejisinden daha iyi performans gösterdiğini ortaya koyuyor. Genel olarak, bu tez Uyarlanabilir Piyasa Hipotezini destekliyor ve uyarlanabilir ve veri odaklı yöntemlerin modern finans piyasalarına daha uygun olduğunu gösteriyor.
Özet (Çeviri)
This Thesis is based on the Adaptive Market Hypothesis, which argues that financial markets are not always perfectly efficient, as the Efficient Market Hypothesis suggests. Instead, markets change over time because investors learn, adapt, and react differently to new information. The findings of this study provide strong support for the Adaptive Market Hypothesis, showing that market behaviour is dynamic rather than static. The dissertation consists of three interconnected essays. The first examines the limitations of traditional anomaly detection methods such as ARMA, ARIMA, and GARCH. These models rely on strict assumptions, including stationarity and specific distributions, and are prone to misspecification. To address these issues, the study introduces alternative risk measures, including Down-to-Up Volatility, Negative Conditional Skewness, Relative Frequency, and the GK risk approach. Since each Risk Measure captures different patterns, Z-score normalization and Mahalanobis distance are used to detect joint anomalies more effectively. This approach offers improved tools for risk management and regulatory monitoring. The Second essay explores unsupervised machine learning methods for detecting anomalies in highly volatile markets where labelled data is unavailable. Using Monte Carlo simulations and real cryptocurrency data, four models are evaluated: DBSCAN, Isolation Forest, One-Class SVM, and Local Outlier Factor. The results show that DBSCAN consistently outperforms the alternatives. The final essay applies DBSCAN with rolling windows of varying sizes to detect short-, medium-, and long-term anomalies in six cryptocurrencies. These anomalies are used as trading signals. If an anomaly appears with a positive return, the strategy suggests selling. If it appears with a negative return, it suggests buying. The results show that a DBSCAN with a nine-month rolling window strategy outperforms the traditional buy-and-hold strategy across all six cryptocurrencies. Overall, this thesis supports the Adaptive Market Hypothesis and demonstrates that adaptive and data-driven methods are better suited to modern financial markets.
Benzer Tezler
- Portföy yönetiminde dinamik varlık yönetim stratejileri
Dynamic asset allocation strategies in portfolio management
MUSTAFA DUMAN
Yüksek Lisans
Türkçe
2000
BankacılıkMarmara ÜniversitesiSermaye Piyasası ve Borsa Ana Bilim Dalı
YRD. DOÇ. DR. ÖZLEM KOÇ
- Machine learning-based modeling and monitoring of machining processes and tool wear
İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi
ARASH EBRAHIMI ARAGHIZAD
Doktora
İngilizce
2024
Makine MühendisliğiSabancı ÜniversitesiÜretim Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN BUDAK
- RFMLP based customer segmentation and customer churn analysis in heavy equipment industry using customer transactions data
İş makinesi sektöründe müşteri işlem verilerini kullanarak RFMLP tabanlı müşteri segmentasyonu ve müşteri kayıp analizi
MUSTAFA ÇAMLICA
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FETHİ ÇALIŞIR
- Finansal raporlamada hile riskinin tespit edilmesinde veri madenciliğinin etkinliği
The effectiveness of data mining in detecting fraud risk in financial reporting
TUĞBA TÜLEGEN
Doktora
Türkçe
2024
İşletmeTokat Gaziosmanpaşa Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. MİHRİBAN COŞKUN ARSLAN
- Short-term wind power generation forecasting by coupling numerical weather prediction models and machine learning algorithms
Sayısal hava tahmin modeli ve makine öğrenmesi algoritmaları ile kısa dönemli rüzgar enerjisi üretim tahmin modeli oluşturmak
CEM ÖZEN
Doktora
İngilizce
2022
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ