Geri Dön

Predicting external macroeconomic crises: Machine learning perspective

Makine öğrenimi ile dış makroekonomik krizlerin tahmini

  1. Tez No: 878848
  2. Yazar: SONGÜL ŞİVA ÇELİK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER KAĞAN PARMAKSIZ
  4. Tez Türü: Doktora
  5. Konular: Ekonomi, Economics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat Ana Bilim Dalı
  12. Bilim Dalı: İktisat (İngilizce) Bilim Dalı
  13. Sayfa Sayısı: 239

Özet

Bu çalışmanın temel amacı, Makine Öğrenmesi (MÖ) yöntemlerini kullanarak Ani Duruşları öngörmek ve bu yöntemlerin örnek dışı tahmin yeteneklerini değerlendirmektir. İki aşamada yürütülen çalışmanın ilk aşamasında, Ani Duruş tahmininde kullanılan geleneksel modellerinden birini kullanan ve kısıtlı dışsal değişken içeren Forbes ve Warnock 'un (2021) modelini temel aldık. Bu modelin örnek dışı tahmin gücünü ölçtük. Ardından aynı veri setini, Esnek Ağ (Elastic Net), Rassal Ormanlar (Random Forests), Destek Vektör Makineleri (Support Vector Machines), XGBoost, k-En Yakın Komşular (kNN), AdaBoost ve Çok Katmanlı Algılayıcı (MLP) gibi çeşitli MÖ yöntemlerini uygulayarak hem makina öğrenimi yöntemlerinin hem de temel modelin örnek dışı performans güçlerini modelle doğruluk, hassasiyet, hatırlama, F1 puanı ve ROC eğrisi gibi ölçütlerle kapsamlı bir şekilde karşılaştırdık. İkinci aşamada, veri kümesini sadece verinin ulaşılabilirliği kriteriyle IMF'nin çeşitli veri setlerini kullanarak genişlettik. Makine öğrenimi yöntemlerini kullanarak, Ani Duruş Krizilerinin tahmininde daha etkili olan dışsal değişkenleri belirlemek için bu genişletilmiş veri setini daralttık. Seçilen dışsal değişkenlerle, Esnek Ağ, Rassal Ormanlar, Destek Vektör Makineleri, XGBoost, Lojistik Regresyon ve modern derin öğrenme yöntemi olan Uzun Kısa Vadeli Hafıza (LSTM) MÖ yöntemleriyle tahminler gerçekleştirdik. Sonuçlar, XGBoost ve Rassal Ormanların her iki veri setinde de yüksek tahmin performansına sahip olduğunu, ancak Uzun Kısa Vadeli Hafıza (LSTM) yönteminin zaman içindeki bağlantıları göz önüne alarak geleneksel ağaç tabanlı MÖ modellerinden daha iyi performans sergilediğini ortaya koymaktadır. Bu şekilde, disiplinler arası bir yaklaşım ile, makine öğrenimi yöntemlerinin makroekonomik tahminlemedeki etkinliği üzerine ile ortaya çıkan literatüre katkıda bulunmayı amaçladık.

Özet (Çeviri)

In this study, our primary objective is to predict Sudden Stops using Machine Learning (ML) methods and evaluate their out-of-sample prediction power. Conducted in two phases, the first involves establishing a baseline with Forbes and Warnock (2021) as our model, replicating and assessing its out-of-sample predictions. We then introduce various ML methods, including Elastic Net, Random Forests, Support Vector Machines, kNN, AdaBoost, XGBoost, and Multi-Layer Perceptron, for a comprehensive comparison against the baseline, utilizing metrics like accuracy, precision, recall, F1-score, and ROC curve. In the second phase, we expand the dataset from the IMF, prioritizing data availability, and employ ML methods for feature selection. Selected features are used for ML estimation, involving traditional methods like Elastic Net, Random Forests, Support Vector Machines, XGBoost, Logistic Regression, and the modern deep learning method, a Long Short-Term Memory (LSTM). The analysis aims to explore potential improvements in out-of-sample performances facilitated by ML algorithms and feature selection. The results indicate that XGBoost and Random Forests exhibit high prediction performance in both data sets. However, considering the temporal dependencies, the Long Short-Term Memory (LSTM) method outperforms traditional tree-based machine learning models over time. This study contributes to the emerging literature on the effectiveness of ML methods in macroeconomic forecasting through an interdisciplinary approach, examining whether these algorithms enhance out-of-sample predictions for Sudden Stops

Benzer Tezler

  1. Predicting financial crises: Evidence from Turkey using the signal approach

    Finansal krizlerin tahminlenmesi: Sinyal yaklaşımı ile Türkiye uygulaması

    AHMET YASİN KUZUCU

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    EkonomiDokuz Eylül Üniversitesi

    İşletme (İngilizce) Ana Bilim Dalı

    DOÇ. DR. EFE ÇAĞLAR ÇAĞLI

  2. Finansal krizlerin öngörüsünde uluslararası rezervlerin kısa dönem dış borçlara oranının etkisi

    The role of the international reserves to short term external debth ratio over the predicting financial crises

    TUĞBA ŞİMŞEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    EkonometriÇukurova Üniversitesi

    Ekonometri Ana Bilim Dalı

    DOÇ. DR. SEDA ŞENGÜL

  3. Para krizlerinin tahmininde logit-probit modelleri ve yapay sinir ağları: Türkiye örneği

    Logit-probit models and artificial neural networks for the estimation of currency crisis: The case of Turkey

    OKTAY KIZILKAYA

    Doktora

    Türkçe

    Türkçe

    2017

    Ekonometriİnönü Üniversitesi

    Ekonometri Ana Bilim Dalı

    YRD. DOÇ. DR. HASAN SÖYLER

  4. Bankalarda finansal başarısızlığın tahmin edilmesi: BRICS ülkeleri ve Türkiye

    Financial failure prediction in banks: BRICS countries and Turkey

    GİZEL BUSEM SAYIL

    Doktora

    Türkçe

    Türkçe

    2022

    BankacılıkKaradeniz Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. MUSTAFA EMİR

  5. Ülke kredi derecelendirmesine ilişkin farklı yöntem denemeleri

    Different method trials on sovereign credit rating

    NİSA ÖZGE ÖNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ERTUĞRUL KARAÇUHA