Forecasting corporate credit spread changes with time-series models and machine learning: Evidence from Turkish USD bonds
Zaman serisi modelleri ve makine öğrenmesi ile şirket kredi spread'i değişimlerinin tahmini: Türk ABD Doları tahvillerinden kanıtlar
- Tez No: 1010618
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRAH AHİ, DR. ÖĞR. ÜYESİ LEVENT GÜNTAY
- Tez Türü: Yüksek Lisans
- Konular: Maliye, Mühendislik Bilimleri, Ekonomi, Finance, Engineering Sciences, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Finans Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, zaman serisi modelleri ve makine öğrenmesi yöntemi olan random forest kullanılarak kredi spread değişimlerinin tahmin analizini sunmaktadır. Çalışma, Borsa İstanbul'da işlem gören on iki şirket tarafından ihraç edilmiş seksen üç adet ABD doları cinsinden kurumsal tahvile odaklanmaktadır. Kredi spread değişimini etkileyen faktörler; firma finansal göstergeleri, küresel ve yerel piyasa göstergeleri ile tahvil piyasasına ilişkin seriler olarak belirlenmiştir. Haftalık veri seti, öncelikle bağımsız değişkenlerin açıklayıcı gücünü değerlendirmek amacıyla t zaman ufkunda Otoregresif Dışsal Değişkenli Model (ARX), Hareketli Ortalama Hata Terimli Otoregresif Dışsal Değişkenli Model (ARMAX) ve Vektör Otoregresyon (VAR) modellerinin tahminleri uygulanarak analiz edilmiştir. Ayrıca analiz, zaman serisi modelleri için genişleyen pencere yöntemiyle yapılan tahminlerle genişletilmiştir. Bu değerlendirme hem t hem de t+4 zaman ufukları için gerçekleştirilmiştir. Doğrusal olmayan ilişkilerin daha iyi tahmin performansı sağlayıp sağlamadığını görmek amacıyla Random Forest modeli uygulanmıştır. Model performansları, rassal yürüyüş ve tarihsel ortalama benchmark modelleriyle karşılaştırılarak Theil's U2, örneklem dışı R-kare ve Diebold–Mariano istatistikleri gibi benchmark göreli ölçütler temelinde değerlendirilmiştir. Modellerin hata performansları ise benchmark modellere göre MSE, RMSE, MAE, MAPE, sMAPE ve MASE ölçütleri kullanılarak incelenmiştir. Son olarak, bağımsız değişkenlerin göreli önemi; bunların kredi spreadi, firma finansalları, küresel piyasa ve yerel piyasa şeklinde sınıflandırılmasıyla değerlendirilmiştir. Tahmin modelleri, bu kategorilere ayrılan değişken grupları tek tek çıkarılarak yeniden çalıştırılmış ve bu grupların tahmin performansı üzerindeki etkileri incelenmiştir. Bu değerlendirme, tam değişkenli model sonuçlarına göre RMSE ve örneklem dışı R-kare esas alınarak yapılmıştır.
Özet (Çeviri)
This thesis introduces prediction analysis of credit-spread changes by implementing time series model and machine learning method, Random Forest. The study focuses on eighty-three US dollar based corporate bonds issued by twelve companies listed on Borsa Istanbul. The influenced factors of credit spread change are determined firm financial indicators, global and local market indicators and bond-market series. The weekly data set is first implemented by performing Autoregressive Model with exogenous regressors (ARX), the Autoregressive moving-average model with exogenous regressors (ARMAX) and Vector Autoregression (VAR) models' predictions at time horizon t to assess the explanatory power of independent variables. Furthermore, the analysis is expanded by using expanding window forecast of time series models. It is considered both time horizon t and t+4. To see whether nonlinear relations provide better prediction performance, Random Forest model is performed. Model performances are assessed based on benchmark relative measures like Theil's U2, out-of-sample R-squared and Diebold-Mariano statistics while comparing random walk and historical mean benchmark. Model performances' error metrics which are MSE, RMSE, MAE, MAPE, sMAPE and MASE are considered due to benchmark models. Finally, we evaluate relative importance of independent variables by categorizing them as credit spread, firm financials, global and local markets. The forecast models rerun by dropping these categorized variables to see their effectiveness on forecast models. It is considered based on RMSE and out-of-sample R-squared due to full variable model results.
Benzer Tezler
- Finansal ürünlerin vergilendirme ve yasal düzenlemeler açısından değerlendirilmesi
Başlık çevirisi yok
ATİLLA UYANIK
- Firma kredi derecelendirmelerinin belirleyicileri olarak finansal rasyolar üzerine bir analiz
An analysis on financial ratios as determinants of corporate credit ratings
MEHMET FERİDUN SEZER
Yüksek Lisans
Türkçe
2019
BankacılıkDokuz Eylül Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. HAKAN KAHYAOĞLU
- Makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using machine learning algorithms
SACİDE KALAYCI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- A stress testıng framework for the Turkısh bankıng sector: an augmented approach
Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım
BAHADIR ÇAKMAK
