Portfolio optimization with wavelet analysis and neural fuzzy networks
Dalgacık analizi ve bulanık sinir ağları modeli ile portföy optimizasyonu
- Tez No: 837365
- Danışmanlar: PROF. DR. OKTAY TAŞ
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Bilim Dalı
- Sayfa Sayısı: 159
Özet
Son zamanlarda yatırım yönetimi işinde Robo-danışmanlar ön plana çıkmıştır. Robo-danışmanlar, alım satım sinyalleri üreten ve makine öğrenimi ile finansal varlıkları optimize eden finansal algoritmalar olarak tanımlanabilir. İnsan müdahalesi olmadan verileri analiz ederek varlık yönetimi gerçekleştiren Robo-danışmanların, geleneksel portföy yönetimine göre daha iyi getiri sağlama potansiyeline sahip oldukları yapılan çalışmalarla gösterilmiştir. Robo-Danışmanlar segmentinde yönetilen varlıkların 2027'de 3,2 milyar ABD Dolarına ulaşması beklenmektedir. Son yapılan araştırmalara göre, Amerikalıların %63'ü yatırımlarını yönetmek için bir robo-danışman kullanmaya açıktır. Portföy yönetiminde finansal varlık tahminleri büyük önem taşır ve tahminlerin performansı portföy yöneticilerinin başarısında kilit rol oynar. Bu durum modellere olan ilginin artmasına neden olmuştur. Geçmişte modellerin çoğu istatistiksel tekniklere dayalıyken, son zamanlarda yeni modelleme teknikleri kullanılmaya başlanmıştır. Bunlardan en dikkat çekenleri yapay sinir ağları ve bulanık mantık gibi yapay zeka modelleridir. Finansal piyasalar, ekonomik, politik, kültürel ve sosyal haberlerden etkilenen karmaşık sistemlerdir. Temel analiz ve teknik analiz, geleneksel olarak finansal varlıkların performansını tahmin etmek için kullanılır. Çoğu finansal varlığın fiyat hareketi dinamik ve doğrusal olmadığı için istatistiksel modeller genellikle fiyat hareketini tahmin etmekte başarısız olur. Yapay Sinir Ağları gibi makine öğrenimi modelleri doğrusal olmayan verileri çok etkili bir şekilde modelleyebilir, ancak bu modeller parametre seçimine duyarlıdır. Bulanık mantık sistemleri insan uzmanlığı ile karar verme kapasitesini artırırken, sinir ağları farklı koşullara uyum sağlama ve öğrenme avantajına sahiptir. İstatistiksel modellerin aksine, bu modeller çok az varsayımda bulunur ve girdiler ve çıktılar arasındaki ilişkiyi öğrenerek tahmin etmeye çalışır. Yapay zeka uygulamalarının başında gelen yapay sinir ağları ve bulanık mantık modelleri birbirini tamamlayan yapılar olduğundan son yıllarda birçok modelde birlikte kullanılmış ve başarılı sonuçlar elde edilmiştir. Ayrıştırma modellerinin kullanılmasının tahmine dayalı modellerin başarısını artıracağı düşünülmektedir. Çalışma, hisse senetleri, döviz kurları ve altın gibi finansal varlıkları tahmin etmek için hem ayrıştırma modelinin (Dalgacık Dönüşümü) hem de makine öğrenimi modellerinin (YSA) avantajlarını birleştiren hibrit bir yaklaşım önermektedir. İlk aşamada, veriler dalgacık dönüşümü kullanılarak alt kümelere ayrıştırılır. Ardından, her bir alt dizi, makine öğrenimi modelleri kullanılarak tahmin edilir. Son tahminleri elde etmek için tahmin edilen alt seriler eklenir. Ardından, tahminlerin başarısı istatistiksel testler ile ölçülür. Bu çalışmada, Ocak 2016-Şubat 2019 verileri kullanılarak İstanbul Menkul Kıymetler Borsası (BİST30) Endeksi, USD/TL kuru ve Altın (TL) fiyatlarının Mart 2019-Aralık 2019 tarihleri arasındaki günlük getirileri tahmin edilmiş ve bir portföy oluşturulmuştur. bu tahminlere göre oluşturulmuştur. Ağ eğitimi yapılırken verilerin %58'i eğitim, %42'si doğrulama verisi olarak gruplandırılır. Çalışmanın ilk bölümünde BİST-30 Endeksi, Altın ve USD/TL kuru için Neural Fuzzy Network ile tahminler yapılmıştır. İlgili varlık sınıfı için geleceğe yönelik tahminler yapılırken öncelikle varlıkların otokorelasyon fonksiyonları incelenmiş ve tahminde kullanılacak geçmiş veriler bulunmuştur. İlk olarak, zaman serisinin geçmiş değerlerden etkilenip etkilenmediğini görmek için serilerin otokorelasyonu incelenmiştir. Otokorelasyon, zaman serilerinin farklı değerleri arasındaki korelasyon olarak tanımlanır. Bu analiz ile serilerin hangi geçmiş değerlerinin gelecek değerleri üzerinde daha fazla etkiye sahip olduğu görülmektedir. Oto korelasyon fonksiyonları incelendiğinde her üç zaman serisinde de oto korelasyon olduğu görülmektedir. Altın ve USD/TL zaman serilerinin en çok son 4 veriden (T-4) ve BIST-30 endeksinin son 1 veriden (T-1) en çok etkilendiği görülmektedir. Bu çalışmada öncelikle modelin başarısını artırmak için bir sinyal işleme tekniği olan Ayrık Dalgacık Dönüşümü (DCT) ile finansal varlıklar serisi 3 farklı alt seriye (a2-d2-d1) ayrılmıştır. Daha sonra yapay sinir ağları ve bulanık mantık uygulamalarının bir kombinasyonu olan bulanık sinir ağı yöntemi kullanılarak finansal seriler tahmin edilmiştir. Çalışmada ilk olarak finansal seriler dalgacık analizi ile 3 alt segmente ayrılmıştır. Sinirsel bulanık ağ modeline girdi olarak farklı frekans bilgileri verilmiş ve gelecekteki fiyatlar tahmin edilmiştir. Daha sonra yapay sinir ağları ve bulanık mantık uygulamalarının bir kombinasyonu olan bulanık sinir ağı yöntemi kullanılarak finansal seriler tahmin edilmiştir. Son olarak, bu tahminler kullanılarak oluşturulan portföylerin performansı orijinal serilerle karşılaştırılarak modelin başarısı ölçülmektedir. Al / Sat sinyalleri, model tarafından oluşturulan tahminlerden üretilir. Portföy performansı, dayanak varlığa modelin artış öngördüğü günlerde yatırım yapıldığı, düşüş öngördüğü günlerde ise yatırım yapılmadığı varsayılarak değerlendirilmiştir. Çalışmanın ikinci bölümünde, Dalgacık Analizi ve Bulanık Sinir Ağları ile yapılan tahminlerin farklı piyasa koşullarındaki performansını görmek için Wiener Süreci kullanılarak yapay zaman serileri üretilmiştir. Wiener süreci ile Dalgacık Sinir Ağları modelinin farklı piyasa koşullarında nasıl performans gösterdiğini görmek için yapay zaman serileri oluşturulmuştur. Wiener Süreci formülü ile üretilen zaman serilerinin oynaklığı ve yönü değiştirilebilir, böylece düşük veya yüksek oynaklığa sahip yukarı veya aşağı yönlü seriler oluşturulabilir. Modelin bu şekilde üretilen serilerdeki performansı, ileride oluşabilecek farklı piyasa koşullarındaki başarısı hakkında fikir verecektir. Yüksek oynaklığa sahip yükselen ve düşen trendlerde model performansının, yapay zaman serilerine pasif yatırımdan daha başarılı olduğu görülmüştür. Seriye rastgele sıçramalar eklendiğinde model yine başarılı olmuş fakat maliyetlerde göz önüne alındığında modelin performansı pasif yatırımın altında kalmıştır. Sıçramaların belirli bir paterni olmadığı için modelin tahmin performansını düşürmesi beklenir. Ayrıca model, diğer gelişmekte olan ülkelerin borsa endekslerinde de test edilmiştir. Model Rusya ve Çin'de başarılı bir performans sergilerken Güney Kore borsasında endeksin altında kalmıştır. Daha sonra dalgacık bulanık ağ modeli tahminleri kullanılarak optimal portföy oluşturulmuş ve portföyün performansı incelenmiştir. Modelin ürettiği getiri ve standart sapma değerleri ile en büyük Sharpe oranını elde etmek için optimizasyon yapılmış ve üç varlıktan oluşan portföyün performansı, varlıkların kendi performansları ve risksiz faizi ile farklı zaman aralıklarında yeniden dengeleme yapılarak karşılaştırılmıştır. Son bölümde modelin ürettiği getiri ve standart sapma değerleri ile en büyük Sharpe oranını elde etmek için optimizasyon yapılmış ve üç varlıktan oluşan portföyün performansı, varlıkların kendi performansları ve risksiz faizi ile farklı değerlerde yeniden dengeleme yapılarak karşılaştırılmıştır. Sonuçlar, dalgacık analizi ve bulanık sinir ağlarının birlikte kullanılmasıyla oluşturulan modelin finansal varlıkların gelecekteki değerlerinin tahmin edilmesinde başarılı sonuçlar verdiğini ve daha fazla araştırma potansiyeli olduğunu göstermektedir. Hem optimal portföyün getirisinin hem de tüm zaman dilimlerinde Sharpe oranının varlıkların kendisinden daha yüksek olduğu gözlemlenmiştir. Yapay Sinir Ağlarının dalgacık dönüşümü ile birlikte kullanıldığı Dalgacık Sinir Ağı yöntemi, BIST30, Altın ve USD/TL döviz kuru gibi finansal piyasalarda işlem gören varlıkların gelecekteki fiyatını tahmin etmek için kullanılabilir. Çalışmada nöral bulanık sistem olarak ANFIS kullanılmıştır. Sinirsel Uyarlamalı Öğrenme teknikleri, bulanık modelleme için girdi verilerini kullanarak bir öğrenme modeli geliştirmeye izin verir. Matlab Fuzzy Logic Toolbox'ta ANFIS grafik kullanıcı ara yüzü kullanılarak ağ eğitim, kontrol ve test olmak üzere üç veri seti ile eğitilmiştir. Tüm avantajlı yönlerine ve gelişen yapılarına rağmen yapay sinir ağları ve ANFIS yöntemleri yetersiz kaldığı durumlarda mevcuttur. Bu yöntemlerde belirli veri kümesi yapıları için modeller oluşturulur, her veri kümesi için uygun değildir. Ayrıca mevcut veri seti için uygun modelin keşfi sırasında birçok deneme yapılması gerekir. Veriler için örneklem seçimi, hangi öğrenme yönteminin kullanılacağı, veri setinin büyüklüğü, kullanılacak üyelik fonksiyonunun türü çıktı değerlerinin belirleyicileridir ve bu değerler denemelerle belirlenir. Gelecekteki çalışmalarda Altın, USD/TRL ve BİST-30 dışındaki finansal varlıklar için bu çalışmadaki model kullanılarak tahmin yapılabilir ve modelin farklı enstrümanlardaki performansı araştırılabilir. Bu çalışmada fiyat tahmini için zaman serilerinin geçmiş verileri girdi olarak kullanılmıştır, fiyatları etkileyen enflasyon, yurtdışı borsa endeksleri, gelişmiş ülkelerin para birimlerinin değişimi gibi başka değişkenler de olabilir. Farklı değişkenler girdi olarak kullanılarak çalışma tekrarlanabilir. Başka zaman aralıklarında model performansı test edilebilir. Ayrıca zaman serilerini ayrıştırarak bileşenlerine ayırmak için Haar dalgacığı kullanılmıştır. Farklı dalgacıklar kullanılarak seriler ayrıştırılabilir ve bulanık sinir ağlarının başarısı incelenebilir.
Özet (Çeviri)
Recently, Robo-advisors have come to the fore in the investment management business both in the world and in Turkey. Robo-advisors can be defined as financial algorithms that generate trading signals and optimize financial assets with machine learning. Robo-advisors, who perform asset management by analyzing data without human intervention, have the potential to provide better returns than traditional portfolio management. Assets under management in the Robo-Advisors segment are projected to reach US$3.2 tn in 2027. According to latest surveys, 63% of Americans are open to using a robo-advisor to manage their investments, with millennials being the most open (75%). Financial asset forecasts are of great importance in portfolio management and the performance of forecasts plays a key role in the success of portfolio managers. This situation has led to an increased interest in models. While most of the models were based on statistical techniques in the past, new modeling techniques have been used recently. The most notable of these are artificial intelligence models such as artificial neural networks and fuzzy logic. In this study, the daily values of Borsa İstanbul 30 Index, Gold and USD / TL exchange rate are tried to be estimated by using Wavelet Analysis and Neural Fuzzy Networks method. Buy / Sell signals are generated from the estimates created by the model. The performance of the portfolio was analyzed assuming that the underlying asset was invested on the days when the model predicted an increase and the investment was not made on the days when it predicted a decrease, and it was evaluated in overnight risk-free interest when not invested. In addition, the model has been tested in artificial indices and stock market indices of other developing countries. While the model showed a successful performance in Russia and China, it remained below the index in South Korea stock exchange. Then, the optimal portfolio was created by using wavelet fuzzy network model estimates and the performance of the portfolio was examined. With the return and standard deviation values produced by the model, optimization was made to obtain the largest Sharpe ratio, and the performance of the portfolio of three assets was compared with the assets' own performances and risk-free interest by re-balancing at different time intervals. The results show that the model created by using wavelet analysis and fuzzy neural networks together gives successful results in predicting the future values of financial assets and further research has potential. Wavelet Neural Network method, in which Artificial Neural Networks are used together with wavelet transform, can be used to predict the future price of assets traded in financial markets such as BIST30, Gold and USD/TL exchange rate. In the future, estimates can be made using the model in this study for financial assets other than gold, USD/TRL and BIST-30. The performance of the model in different market conditions can be tested by repeating the study at different time intervals. In the study, wavelet transform is done using Haar wavelet, financial series can be decomposed into its components by using different wavelets.
Benzer Tezler
- Hisse senetleri yatırım kararlarında yapay zekâ uygulaması: Modern bir derin öğrenme algoritması önermesi
Implementation of AI in share investment decisions: Proposition of a modern deep learning algorithm
GÜLCAN ALİPOUR SARVARİ
- Electricity market modeling using stochastic and robust optimization
Elektrik piyasasının rastsal ve gürbüz optimizasyon kullanılarak modellenmesi
MİRAY HANIM YILDIRIM
Doktora
İngilizce
2015
Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik ÜniversitesiBilimsel Hesaplama Ana Bilim Dalı
PROF. DR. GERHARD WİEHELM WEBER
YRD. DOÇ. DR. ÖZLEM TÜRKER BAYRAK
- Black - Litterman modeliyle portföy optimizasyonu: İstanbul Menkul Kıymetler Borsasında Markowitz ortalama - varyans modeliyle karşılaştırmalı portföy optimizasyonu uygulaması
Portfolio optimization with Black - Litterman model: Comparative portfolio optimization application with Markowitz mean - variance model on the İstanbul stock exchange
MUHAMMED MUSTAFA TUNCER ÇALIŞKAN
- Veri zarflama analizi tabanlı parçacık sürü algoritması ile portföy optimizasyonu: BIST100 endeksinde bir uygulama
Portfolio optimization with data envelopment analysis based particle swarm algorithm: An aplication in Istanbul Stock Exchange Index (bist100)
TUĞCAN ÖZSOY
Yüksek Lisans
Türkçe
2017
İstatistikGazi Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. HACI HASAN ÖRKCÜ
- Stokastik baskınlık testi ile portföy optimizasyonu: BIST-30 endeksine uygulanması
Portfolio optimization with stochastic dominance test: An application to BIST-30 index
KUTLAY URUN
Yüksek Lisans
Türkçe
2016
Ekonomiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. OKTAY TAŞ