Developing data-driven methods using machine learning in operations and finance
Üretim yönetimi ve finansta yapay öğrenme kullanan veri tabanlı yöntemler
- Tez No: 728120
- Danışmanlar: PROF. DR. AHMET FİKRİ KARAESMEN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği ve Operasyon Yönetimi
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 238
Özet
Veri toplama ve analiz teknolojilerindeki yakın zamanlardaki gelişmelerle birlikte, operasyon yönetimine ve finansal planlama sorunlarına yönelik veriye dayalı yaklaşımlar yoğun ilgi görmeye başlamıştır. Özellikle, yapay öğrenimi yöntemleri, optimizasyon problemlerine giderek daha fazla entegre edilmektedir. Bu bütünleşik yaklaşım, geçmiş verilerin kapsamlı çerçevelerde kuralcı çözümlere dönüştürülmesini kolaylaştırmaktadır. Bu tez, verileri eylemlerle ilişkilendirmek ve operasyonel ve finansal karar sistemlerinde hedefleri iyileştirmek için veriye dayalı yöntemler geliştirmeyi amaçlamaktadır. Karmaşık bir karar verme durumunda karar vericililer için sistemi etkileyen bütün olası etkenleri göze alan ve yapay öğrenme tekniklerini kullanan bütünleşik bir öğrenme ve optimizasyon yaklaşımı önermekteyiz. Bu yaklaşımla, yapay sinir ağları ve zaman serisi özelliklerini uyarlamaya dayalı algoritmalar ve veriler arasındaki doğrusal olmayan ilişkileri tahmin edebilen modeller geliştirilmiştir. Tez kapsamında, envanter yönetimi, finansal yatırım ve şirket finansal değerlendirmesi alanlarından üç soruna odaklanılmıştır. Envanter yönetimi bağlamında, sistemin gözlemlenemeyen durumu hakkında ek bilgilerle kısmen açıklanabilen dış etkenlerle bağlantılı talebe karşı en iyi sipariş miktarını belirlemek için entegre bir öğrenme ve optimizasyon problemi ele alınmaktadır. Bu amaçla, çok katmanlı bir sinir ağı kullanarak tahmin, çıkarım ve optimizasyon adımları birleştirilmektedir. Bu bütünleşik yaklaşımın performansını değerlendirmek için, yaklaşımımızdan elde edilen sonuçları, gözlenemeyen faktör bilgisini yok varsayan veya ayrı çıkarım ve optimizasyon adımları kullanan diğer veri tabanlı yöntemlerle karşılaştırdık. Hem kurgusal bir veri seti hem de gözlemlenemeyen bir duruma sahip olabilecek gerçek veriler üzerindeki sayısal örnekler, yaklaşımımızın diğer yöntemlere göre daha iyi performansa sahip olduğunu göstermektedir. Finansal yatırım bağlamında, yapay öğrenmeye dayalı varlık tahsisine yeni bir yaklaşım öneriyoruz. Varlık tahsisi modelleri geçmiş piyasa durumlarını ve varlık getirilerini analiz eder ve yeni gözlemlerin mevcut olduğu yeni bir dönemde en iyi portföy seçimini belirler. Bu tezdeki yaklaşımda ise, önce getiri dağılımını modellemek ve ardından portföy seçimini tahmin etmek yerine, durum değişkenleri doğrudan portföy ağırlıklarıyla ilişkilendirilmektedir. Önerdiğimiz yöntem, belirli bir getiri ve veri dağılımını varsaymadan, sabit sayıda tahmin değişkenine sahip bir modeli verilere istatistiksel olarak uydurmadan ve herhangi bir parametre tahmin etmeden durum değişkenleri ve portföy ağırlıkları arasındaki doğrusal olmayan ilişkileri yakalamaktadır. Hisse senedi ve tahvil endekslerinden oluşan bir portföyün veriye bağlı sonuçları, önerilen yaklaşımın geleneksel yöntemlere kıyasla daha verimli bir sonuç ürettiğini ve farklı örnek dönemlerde farklı amaç fonksiyonlarının kullanılmasında da performansını sürdürdüğünü göstermektedir. Tezde incelenen son projede, ilk halka arzlar (IPO'lar) için fiyatlandırma etkinliğini ve piyasa öncesi verimsizlik seviyesini tahmin etmek için stokastik sınır analizine ve yapay öğrenmeye dayalı doğrusal olmayan bir yaklaşım öneriyoruz. Bu yaklaşım, halka arz gününden önce mevcut olan bilgileri kullanarak ve literatürde belgelenen piyasa öncesi kasıtlı düşük fiyatlandırma için herhangi bir dağılım varsayımı olmaksızın halka arz fiyatlandırma etkinliğini tahmin etmemizi sağlamaktadır. Önerilen yaklaşımı ABD halka arz piyasasında uyguladık ve firmaların değerinin yalnızca birkaç temel faktörün halka arzların fiyatlandırılmasını ve düşük fiyatlandırmasını etkilediğini gösterdik.
Özet (Çeviri)
With the recent advances in data collection and analysis technologies, data-driven approaches to operations management and financial problems have gained traction. In particular, machine learning methods are increasingly being integrated into optimization problems. This integration facilitates translating the historical data into prescriptive solutions in comprehensive frameworks. This thesis aims at building data-driven methods to link the data with the actions and improve the goals in operational and financial decision systems. We consider an integrated learning and optimization approach using machine learning techniques for optimizing strategy for decision-makers facing a complex problem with additional information about the state of the system. We give algorithms based on integrating optimization, neural networks, and adapting time series properties, and develop models that are capable of estimating nonlinear relations between data. We focus on three problems from the fields of inventory, financial investment, and firms evaluation. In the context of inventory, we consider an integrated learning and optimization problem for optimizing a newsvendor's strategy facing a complex correlated demand with additional information about the unobservable state of the system. We, therefore, combine estimation, inference, and optimization using a multi-layered neural network. To assess the performance of this integrated approach, we compare the results from our approach against data-based methods that ignore the hidden factor information or that employ separate inference and optimization steps. Numerical examples on both a synthetic data set and real data which might have an unobservable state demonstrate that our approach compares favorably against the other benchmarks. In the context of financial investment, we propose a new approach to asset allocation based on machine learning; it analyzes historical market states and asset returns and identifies the optimal portfolio choice in a new period when new observations become available. In this approach, we directly relate state variables to portfolio weights, rather than first modeling the return distribution and subsequently estimating the portfolio choice. The method captures nonlinearity among the state (predicting) variables and portfolio weights without assuming any particular distribution of returns and other data, without fitting a model with a fixed number of predicting variables to data, and without estimating any parameters. The empirical results for a portfolio of stock and bond indices show the proposed approach generates a more efficient outcome compared to traditional methods and is robust in using different objective functions across different sample periods. In the last project, we propose a nonlinear approach based on stochastic frontier analysis and machine learning to estimate the pricing efficiency and the level of premarket inefficiencies for initial public offerings (IPOs). This approach enables us to estimate IPO pricing efficiency using information available before the IPO day and without any distributional assumptions for deliberate underpricing in the premarket that have been documented in the literature. We apply the proposed approach in the U.S. IPO market and show that only a few determinants of the value of firms impact the pricing and underpricing of IPOs.
Benzer Tezler
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Gemi elektrik şebekelerinde derin öğrenme uygulamaları
Deep learning applications on ship electric grids
TAYFUN UYANIK
Doktora
Türkçe
2023
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. ÖZCAN KALENDERLİ
- Zamanında performansı artırmak için makine öğrenme yaklaşımı ile blok süre tahmini
Enhancing on-time performance through machine learning approach for predicting block time
SEDA SOYKAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER BADAY
- Crew recovery optimization through disruption analysis and deep learning driven column generation
Aksaklık analizi ve derin öğrenme tabanlı sütun oluşturma ile ekip kurtarma optimizasyonu
AHMET HEREKOĞLU
Doktora
İngilizce
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ÖZGÜR KABAK
- Brute force launch vehicle ascent trajectory assessment with a novel vectorized simulator
Vektörize benzetici ile fırlatma araçlarının yükseliş yörüngesini kaba kuvvet değerlendirme
AHMET ENES YÜCEYURT
Yüksek Lisans
İngilizce
2024
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ALİM RÜSTEM ASLAN