Predicting government bond price returns using machine learning algorithms
Devlet tahvili getirilerinin makine öğrenme modelleri ile tahmin edilmesi
- Tez No: 699251
- Danışmanlar: DR. ÖĞR. ÜYESİ BARIŞ SOYBİLGEN
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, Maliye, İstatistik, Economics, Finance, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Bilgi Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Finansal İktisat Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Bu çalışmada Türkiye, Almanya ve Amerika Birleşik Devletleri'nin uzun vadeli tahvilleri bir, beş, on, otuz, altmış ve doksan adım sonraki kapanış fiyatlarının günlük değişimleri, lineer regresyon, Rassal Orman, Gradyan Destekli Regresyon ve Destekçi Vektör Makineleri makine öğrenmesi modelleri ile tahminlenmiştir. Bu çalışmada aynı zamanda tahvillerin kendine özgü menkul kıymet kodlarının nasıl belirlendiği, veri setinin tarih aralığında tahvil piyasasının ve kamu borcunun nasıl geliştiği hakkında bilgi verilmekte ve seçilen bağımsız değişkenlerin seçilme gerekçeleri sunulmaktadır: Bu değişkenler, açıkladıkları bağımlı değişkenlerle ilişkili oldukları düşünülen başka fiyat serileri arasından seçilmiştir. Her bir modeli değerlendirmek ve bu modelleri baz model olan rassal yürüyüş modeli ile kıyaslamak için seçilen performans metrikleri Kök Ortalama Kare Hatası, Ortalama Mutlak Yüzde Hatası ve yön doğruluğudur. Sonuçlar, bu çalışmada kullanılan model ve bağımsız değişkenler kombinasyonuyla, Gradyan Destekli Ağaç ve lineer regresyon modellerinin diğer kullanılan makine öğrenimi modellerinden daha iyi performans gösterdiğini, tüm modellerin ise belirtilen baz model olan Rassal Yürüyüş'ten daha iyi performans gösterdiğini ortaya koymaktadır.
Özet (Çeviri)
In this study, one-step, five-step, ten-step, thirty-step, sixty-step and ninety-step ahead daily close price returns of selected common long-end term bonds of Turkey, Germany and the United States are predicted with machine learning models, which namely are the linear regression, the random forest, gradient boosted regressor trees and support vector regressors. This study also provides information about how bonds' unique security codes (more specifically, how the National Security Identification Numbers and the International Security Identification Numbers) are determined, how the bond market and public debt evolved within the date range of the data set and the reasoning of the selection of the selected independent variables is provided: Explanatory variables are selected among other price series that are expected to be relevant with the dependent variable bonds. Selected performance metrics to evaluate each model and compare them with the baseline model, the random walk model, are the“Residual Sum of Squared Error”,“Mean Absolute Percentage Error”, and the directional accuracy. Results suggest that with the selected combination of models and independent variables, the gradient boosted regressor model and the linear regression model outperform other used machine learning models, while all models outperform the indicated baseline model, the random walk.
Benzer Tezler
- Prediction of İstanbul securities exchange composite index
İstanbul Menkul Kıymetler Borsası bileşik endeksinin belirlenmesi
MURAT TİMUR
- Measuring financial stress index for Turkey
Türkiye'de finansal stresin ölçülmesi
AYŞEGÜL KOYUNLU
Yüksek Lisans
İngilizce
2019
Ekonomiİstanbul Bilgi ÜniversitesiFinansal İktisat Bilim Dalı
DR. ÖĞR. ÜYESİ SEMA BAYRAKTAR TÜR
- Finansal ürünlerin vergilendirme ve yasal düzenlemeler açısından değerlendirilmesi
Başlık çevirisi yok
ATİLLA UYANIK
- Valuation of fixed income securities and estimation of term structure on international bond market using machine learning techniques
Uluslararası tahvil piyasalarında vade yapısının ve sabit getirili menkul kıymet getirilerinin makine öğrenimi teknikleri kullanılarak tahmin edilmesi
ALİ DARTANEL