Investment opportunities of countries an application on forecasting
Ülkelerin yatırım yapılabilirliklerinin öngörülmesi üzerine bir uygulama
- Tez No: 875877
- Danışmanlar: PROF. DR. SÜREYYA AKYÜZ
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Ekonomi, Mühendislik Bilimleri, Banking, Economics, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 100
Özet
Bu çalışma, uzun vadeli ülke kredi derecelendirmesi için makine öğrenme modellerinin etkinliğini incelemekte ve Fitch Ratings tarafından değerlendirilen 2012-2020 dönemine ait verilerle bir model oluşturmaktadır. Modelleme sürecinde, farklı makine öğrenme algoritmaları karşılaştırılmış ve açıklanabilir yapay zeka teknikleriyle sonuçlar yorumlanabilir hale getirilmiştir. 1074 gözlemden oluşan veriseti, modelin başarısını test etmek için kullanılmış ve modelin %97.46 başarı oranına ulaştığı belirlenmiştir. Değişken ön işleme süreci ve korelasyon analizi sonucunda, nihai modelde 10 önemli değişken belirlenmiş ve bu değişkenlerin kullanılmasıyla yapılan sınıflandırma çalışmaları, Hibrit Rastgele Orman algoritmasının en uygun sonuçları verdiğini göstermiştir. Sonuçlar, makine öğrenme modellerinin kredi derecelendirmesi alanında etkili bir araç olabileceğini ve XAI tekniklerinin entegrasyonunun modelin güvenilirliğini artırabileceğini vurgulamaktadır.
Özet (Çeviri)
The aim of the study is to assess whether machine learning models are effective in predicting the country's credit rating over a long period of time. The analysis uses data from the 2012-2020 period, evaluated by Fitch Ratings. In the modeling process, different machine learning algorithms are being implemented and explainable artificial intelligence techniques are used to improve the comprehensibility of the results. The data set of 1074 observations was used to evaluate the performance of the model and a success rate of 97.46% was obtained. Using variable preprocessing and correlation analysis, 10 key variables were identified in the last model. In a modeling study using these variables alone, the hybrid Random Forest algorithm has been found to provide the most optimum results. The findings highlight the effectiveness of machine learning models in credit-rating, as well as the importance of using explanatory artificial intelligence techniques to increase the model's reliability.
Benzer Tezler
- Sigortada dağıtım ve tutundurma metodları
Başlık çevirisi yok
BANU GÖNENÇ
Yüksek Lisans
Türkçe
1994
SigortacılıkMarmara ÜniversitesiSigortacılık Ana Bilim Dalı
DOÇ. DR. OSMAN GÜRBÜZ
- Portföy yönetiminde dinamik varlık yönetim stratejileri
Dynamic asset allocation strategies in portfolio management
MUSTAFA DUMAN
Yüksek Lisans
Türkçe
2000
BankacılıkMarmara ÜniversitesiSermaye Piyasası ve Borsa Ana Bilim Dalı
YRD. DOÇ. DR. ÖZLEM KOÇ
- Ticari banka yönetimi ve Türk ticari bankalarının temel yönetim sorunları
The management of the commercial bank and the basic problems of the Turkish comercial bank
AYŞE ÇİĞDEM ÖNAL
- Cam sektöründe talep tahmin yöntemlerinin uygulanması ve değerlendirilmesi
Application and assessment of the demand forecasting methods in the glass sector
NESLİHAN DEMİRCİ
Yüksek Lisans
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MURAT BASKAK
- Elektrik enerjisi piyasaları ve çimento sektöründe elektrik enerjisi tüketim tahmininin önemi
Electricity markets and the importance of electricity consumption forecasting in cement sector
EZGİ KAYAHAN
Yüksek Lisans
Türkçe
2019
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. SERMİN ONAYGİL