Geri Dön

Price impact estimation of bond market: A machine learning approach

Bono piyasasında fiyat etki analizi: Makine öğrenmesi yaklaşımı

  1. Tez No: 699169
  2. Yazar: SAİM AYBERK SERT
  3. Danışmanlar: PROF. DR. VAHAP BURAK SALTOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonomi, Economics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat (İngilizce) Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 65

Özet

Bu tezde, Türkiye devlet borçlanma senetlerinin tarihsel toplam fiyat etkisi davranışını analiz etmek için 17 yılı kapsayan ampirik bir çalışma yürüttük. Ek olarak, bir takas işleminin fiyat etkisini belirleyen faktörleri araştırdık. Çalışmanın arkasındaki temel motivasyon, yüksek frekanslı işlem yapan yatırımcılar, fon yöneticileri ve kurumsal yatırımcılar için daha iyi rehberlik sağlamaktır; çünkü, alfa üretimi, varlıklar benzer şekilde performans gösterme eğilimindeyken çoğunlukla işlem maliyetlerine bağlıdır. Türkiye bireysel emeklilik piyasasındaki borçlanma araçları fonlarında bulunan toplam yönetilen varlık miktarı ve yerleşik olmayanların yatırımcıların pozitif portföy akışının daha düşük toplam fiyat etkisi ile ilişkili olduğunu bulduk. Buna karşılık, diğer gelişmekte olan ülkelerden ayrışma, fiyat etkisi maliyetlerini artırıyor. Modelimizi literatürde önerilen çeşitli likidite ölçümleriyle karşılaştırmak için fiyat etkisinin işlem hacmi, piyasa koşulları, bono özellikleri ve limit emir defterinin durumuna göre nasıl değiştiğini gösterdik. Kyle (1985)'in fiyat etkisi lambdası dışında, fiyat etkisi modelimizin diğer likidite ölçümlerinin sağladığı bilgileri kapsadığını bulduk. İşlem hacmi ve fiyat etkisi arasında içbükey bir ilişki olduğunu göstererek yaygın olarak bilinen karekök yasasını onaylayıp, yeni geliştirilen makine öğrenmesi tekniklerini kullanarak fiyat etkisi tahminlerinin nasıl iyileştirilebileceğini de inceledik. XGBoost ile desteklenmiş ağaçların, örneklem dışı tahminlerde rassal orman ve elastik ağ yöntemleri gibi diğer alternatif modellerden daha iyi performans gösterdiğini bulduk. Ayrıca limit emir defterinin işlemden hemen önceki eğimi, tahvillerin vadesi ve piyasa oynaklığının fiyat etkisini etkileyen ilk üç faktör olduğunu gösterdik. Çalışmanın özgün özellikleri göz önüne alındığında, uzun bir tarihsel dönemi kapsayan emir defteri verilerine makine öğrenmesi tekniklerinin uygulanması konusunda fiyat etkisi literatürüne katkıda bulunmayı amaçlıyoruz.

Özet (Çeviri)

We conduct an empirical study to analyze the aggregate price impact behavior of Turkish government bonds over 17 years. Moreover, we want to find out the determinants of price impact for each trade. The primary motivation is to provide better guidance to high-frequency traders, fund managers, and institutional traders since generating alpha mostly depends on transaction costs when assets tend to perform similarly. We characterize the order and transaction records of Turkish government bonds in detail. We find that non-residents' positive portfolio flow and AUM in the Turkish private pension market are associated with lower aggregate price impact. In contrast, divergence from other emerging markets drives costs up. We present how price impact varies across trade size, market conditions, bond characteristics, and the state of the limit order book to compare our model with various liquidity measures proposed in the literature. Except for Kyle (1985)'s price impact lambda, our model subsumes the information that other liquidity measures provide. We confirm the square-root law by figuring a concave relationship between trade size and price impact. Finally, we examine how price impact forecasts can be improved via recent Machine Learning Techniques. We show that boosted trees with XGBoost outperforms other alternative models, i.e., random forest and elastic net methods, in out-of-sample estimations. We also find that the prevailing slope of the limit order book, maturity of bonds, and market volatility appear to be the top three factors affecting the slippage. Given the study's novel features, we aim to contribute price impact literature in employing machine learning techniques to long-term order book data.

Benzer Tezler

  1. Credit Default Swap Markets and Credit Risk Pricing - A Comparative Study

    Kredi Temerrüt Takası(CDS) Piyasaları ve Kredi Riski Fiyatlandırması - Karşılaştırmalı Bir Çalışma

    YALIN GÜNDÜZ

    Doktora

    İngilizce

    İngilizce

    2008

    BankacılıkKarlsruher Institut für Technologie

    Finans Ana Bilim Dalı

    PROF. DR. MARLIESE UHRIG-HOMBURG

  2. Sermaye varlıklarını fiyatlama modeli: İMKB'de dengenin araştırılması

    Capital asset pricing model searching for the equilibrium in ISE

    RUŞEN METE AKYÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2000

    BankacılıkMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    DOÇ. DR. OSMAN GÜRBÜZ

  3. Üretim planlama ve kontrol

    The Production planning and control

    HÜLYA AKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    1993

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    DOÇ.DR. MEHMET TANYAŞ

  4. Payların kapanış fiyatlarının makine öğrenmesi yöntemleri ile tahmin edilmesi

    Stock price prediction with machine learning methods

    SUNA KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEYNEP ALTAN

  5. Turkish treasury auctions and estimation of average compounded interest rate of discounted TL denominated treasury auctions

    Türk hazine ihaleleri ve TL iskontolu hazine ihalelerinin ortalama bileşik faiz oranının tahmini

    OSMAN ALTAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    EkonomiMarmara Üniversitesi

    İşletme (İngilizce) Ana Bilim Dalı

    DOÇ. DR. JALE SÖZER ORAN