Realized volatility forecasting using hybrid neural networks: An application for the Istanbul stock exchange
Hibrit sinir ağı modelleri kullanarak volatilite tahmini: Borsa İstanbul için bir uygulama
- Tez No: 792573
- Danışmanlar: DOÇ. DR. BERTAN YILMAZ BADUR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Maliye, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Finance, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 53
Özet
Finansal piyasalardaki volatilite tahmini, risk yönetimi ve varlık fiyatlandırma gibi alanlarda büyük önem taşır. Bu çalışmada, BIST 100'ün 1 gün, 5 gün ve 10 gün sonrası getiri volatilitesi incelenmiştir. GARCH ailesi modellerinin tahminlerini iyileştirmek için iki tür hibrit model kullanılmıştır. İlk hibrit model, GARCH ailesi modellerinin volatilite tahminlerini girdi olarak kullanırken ikinci hibrit model ise sinir ağlarının öğrenme sürecini yürütmesi için girdi olarak volatilite tahminleri yerine GARCH ailesi modellerinin spesifikasyonlarını almıştır. Hibrit sinir ağları ayrıca bir dizi değişkenle beslenmiştir. Bu değişkenler yabancı fiyat endeksleri, teknik analiz ve kukla değişkenlerden oluşmuştur. Ana sonuçlardan biri, her iki hibrit modelin de GARCH ailesi modellerinin tahmin kesinliğini arttırdığı, ikinci hibrit modelin ise bu çalışmada kullanılan tüm hata ölçütleri için daha iyi volatilite tahminleri sağladığıdır. Eşit tahmin doğruluk testi ayrıca hibrit modellerin örneklem dışı tahminlerinin GARCH ailesi yöntemlerinden istatistiksel olarak anlamlı ölçüde daha iyi olduğunu göstermiştir. Tahmin ufku genişledikçe tüm model performansları kötüleşirken, en keskin düşüş GARCH ailesinden ziyade hibrit modellerde yaşanmıştır. Son olarak, sinir ağı mimarisinin karmaşıklığı arttıkça hibrit modellerin sonuçları genel olarak iyileşirken, gizli katman başına kullanılan nöron sayısı en yükseğe çıktığında modellerin örneklem içi gözlemleri ezberlemeye başladığı görülmüştür.
Özet (Çeviri)
Volatility forecasting in the financial markets is important in the areas of risk management and asset pricing, among others. In this study, BIST 100's 1-day, 5-day, and 10-day-ahead return volatilities are examined. Two types of hybrid models are utilized to improve individual GARCH-family models' predictions. For the first hybrid model, a group of GARCH-family models is constructed to produce volatility estimates which were then fed into neural network to increase the predictive power. The second hybrid model received GARCH-family models' specifications instead of volatility estimates as inputs for ANN to conduct the learning process. Hybrid neural networks were also fed a set of exogenous, endogenous, and dummy variables. One of the main conclusions is that both hybrid models increased the forecasting precision of individual GARCH-family models while the second hybrid model provided better volatility forecasts for all error measures used in this study. Equal forecast accuracy test also showed that the hybrid models' out-of-sample predictions were significantly better than GARCH-family methods. All model performances deteriorated as forecast horizon was extended, although the steepest decline happened for hybrid models rather than the GARCH-family. Lastly, as the complexity of the neural network architecture was increased, the loss measures for the out-of-sample forecasts improved except on the last case where the network overfitted using the highest number of neurons per hidden layer among the searched hyperparameter grid.
Benzer Tezler
- Borsa İstanbul endekslerindeki oynaklığın heterojen otoregresif türü modellerle analizi
Analysis of volatility in Borsa Istanbul indices with heterogeneous autoregressive models
ANIL LÖGÜN
Doktora
Türkçe
2022
EkonometriAtatürk ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN TEMURLENK
- Kripto para piyasasının volatilite öngörümlemesi: GARCH modellerinin ve derin öğrenme algoritmalarının karşılaştırması
Volatility forecasting of the cryptocurrency market: A comparison of GARCH models and deep learning algorithms
ÖMER BURAK AKGÜN
Yüksek Lisans
Türkçe
2023
EkonometriDokuz Eylül ÜniversitesiEkonometri Ana Bilim Dalı
DOÇ. DR. EMRAH GÜLAY
- Essays on participation finance system and stock market analysis
Katılım finans sistemi ve pay piyasası analizleri üzerine denemeler
ERDİ BAYRAM
Doktora
İngilizce
2024
EkonomiManisa Celal Bayar Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. RABİA AKTAŞ
- Yapay sinir ağları kullanılarak Türkiye gün öncesi piyasası elektrik fiyat tahmini
Turkish day ahead market electricity clearing price forecasting using artificial neural network
ASLIHAN DALGIN
Yüksek Lisans
Türkçe
2017
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. GÜLGÜN KAYAKUTLU
- Markov Değişim GARCH modelleri ile emtia fiyatlarındaki oynaklığın modellenmesi ve tahmini
Modelling and forecasting of volatility in commodity prices by Markov Switchıng GARCH models
İKRAM YUSUF YARBAŞI