Using machine learning to develop an asset allocation application
Varlık tahsisi uygulaması geliştirmek için makine öğrenmesi kullanımı
- Tez No: 649232
- Danışmanlar: PROF. DR. BURAK SALTOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonomi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 44
Özet
Bu çalışma sırasında, faktörü takip eden portföy (factor mimicking portfolio (FMP)) oluşturulması sırasında makine öğrenmesinden yararlanılmış ve oluşturulan bu portföy bir uygulama içerisinde kullanılmıştır. Çalışmamızda hedef makro ekonomik faktör enflasyon olarak belirlendi. FMP oluşturulması sürecinde doğrusal regresyon modeli LASSO ve Ridge regresyon modellerinden daha iyi performans göstermiştir. Portföydeki hisselerin yönetimini gerçekleştirmek için ve bu portföyü uygulamalı olarak kullanmak için, gelecek enflasyon değerleri Random Forest makine öğrenmesi yöntemi kullanılarak tahmin edildi. Random Forest modelinin tahmin doğruluğu 1-dönem gecikme (1-period lag) ve basit hareketli ortalama (Simple Moving Average) yöntemlerinden daha iyi olmakla birlikte, Kaydırmalı ARIMA modeli daha az tahmin hatasına sahip. Buna rağmen, Random Forest yönteminin tahmin ettiği enflasyon değerleri ile yönetilen portföy, Kaydırmalı ARIMA'nın tahminleriyle yönetilen portföyden daha fazla getiri getirmekle birlikte hem daha yüksek Sharpe ve Sortino rasyolarına sahip hem de daha düşük en yüksek düşme noktasına sahip. Son olarak, bir yatırım stratejisi takip ederek sermayenin %95'i eşit ağırlıklı portföye ve %5'i oluşturduğumuz portföye yatırıldı. Piyasa karşılaştırmalı değerlendirme noktası olarak eşit ağırlıklı portföy seçildi ve önerilen portföyün piyasadan daha iyi performans verdiği gösterildi.
Özet (Çeviri)
This paper aims to analyze factor mimicking portfolio (FMP) construction in the context of Machine Learning and use it in a practical application. Inflation is chosen as the target macroeconomic factor in this study. We show that in the FMP construction process, Linear regression model performs better than LASSO and Ridge regression. In order to provide an application with FMP, Random Forest model is utilized in forecasting future inflation values so that asset allocation in the FMP can be done accordingly. While forecast accuracy of the Random Forest model is better than 1-period lag and simple moving average models, Rolling ARIMA model has smaller forecast error. However, FMP which is updated by the inflation forecasts from Random Forest provide more profit, higher Sharpe and Sortino ratios, and smaller maximum drawdown than the one with the Rolling ARIMA. Lastly, we follow a strategy such that we invest 95% of the initial capital to equally weighted portfolio and 5% of the initial capital to the FMP. We show that the proposed model outperforms the market where equally weighted portfolio of the same assets is used as market benchmark.
Benzer Tezler
- Developing data-driven methods using machine learning in operations and finance
Üretim yönetimi ve finansta yapay öğrenme kullanan veri tabanlı yöntemler
DAVOOD PIRAYESH NEGHAB
Doktora
İngilizce
2021
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği ve Operasyon Yönetimi
PROF. DR. AHMET FİKRİ KARAESMEN
- Büyük veri ve finansal piyasalarda istatistiki makine öğrenmesi metodlarının yatırım kararlarında kullanılması
Using big data and statistical machine learning methods in investment decisions in financial markets
FEHİM KURUCAN
- Data-driven and knowledge-assisted model-based frameworks for supporting facility maintenance
Tesis bakımını desteklemeye yönelik veri odaklı ve bilgi destekli model tabanlı çerçeveler
MURAT ALTUN
Doktora
İngilizce
2024
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ASLI AKÇAMETE GÜNGÖR
- Makine öğrenmesi teknikleri ile tahsilat davranışı tahmini: telekomünikasyon sektörü örneği
Prediction of debt collection behaviour with machine learning techniques: A case study on telecommunication company customers
ELİF EKİZ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAŞAR ÖZTAYŞİ
- Sensor platform based on environmental sensing and data fusion
Çevresesel etmenleri algılayan sensör platformu ve verianalizi
MUHAMMAD ALI NAGARIA
Yüksek Lisans
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN