Machine learning applications in portfolio optimization
Portföy optimizasyonunda makine öğrenmesi uygulamaları
- Tez No: 903943
- Danışmanlar: DR. ÖĞR. ÜYESİ BÜŞRA ZEYNEP TEMOÇİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Maliye, Matematik, Computer Engineering and Computer Science and Control, Finance, Mathematics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Uygulamalı Matematik Enstitüsü
- Ana Bilim Dalı: Finansal Matematik Ana Bilim Dalı
- Bilim Dalı: Uygulamalı Matematik Bilim Dalı
- Sayfa Sayısı: 147
Özet
Bu çalışma, S&P 500 eğilimlerinin değerlendirilmesi ve bu eğilimlerin portföy optimizasyonunda kullanılan metodolojiler üzerindeki etkilerini incelemektedir. Hem tekil hem de çoklu dönem analizlerine uygulanabilir riskten kaçınma ayarlı portföylerin titizlikle oluşturulması yoluyla, araştırma, tekil dönemlerin değerlendirilmesi için varyans ve Koşullu Riske Maruz Değer (CVaR) kullanırken, çoklu dönemler için Ortalama Mutlak Sapma (MAD) kullanmaktadır. Optimizasyon süreci, hesaplamalı modelleme için Python'un ve karmaşık matematiksel formülasyonların gerçekleştirilmesi için AMPL dilinin sinerjik kullanımından faydalanmaktadır. Riskten kaçınma davranışlarını doğru bir şekilde tahmin etmek amacıyla, çalışma, teknik analizden türetilen 29 gösterge ile entegre edilen altı sınıflandırma modelinden yararlanmaktadır: Lojistik Regresyon (LR), K-En Yakın Komşu (KNN), Destek Vektör Sınıflandırıcı (SVC), Karar Ağaçları (DT), Rastgele Orman (RF) ve Aşırı Gradient Artırma (XGBoost). Eşzamanlı olarak, getiri tahmini, çeşitli teknik göstergelerin analiziyle temellendirilmiş dört regresyon çerçevesinin: Doğrusal Regresyon, LSTM, XGBoost ve LightGBM öngörücü yeteneklerinden yararlanmaktadır. XAI teknikleri, özellikle LIME ve SHAP, makine öğrenimi algoritmalarının karar verme süreçlerindeki özellik önemini daha derinlemesine anlamayı kolaylaştırmaktadır. Bu tezin bulguları, kullanılan yöntemlerin çeşitli optimizasyon problemlerinde farklı performans gösterdiğini ortaya koymaktadır. DT, Ortalama-Varyans portföylerinde en yüksek Sharpe oranına ulaşırken, LR, Ortalama-CVaR portföylerinde en iyi performansı sergiler ve SVC, Ortalama-MAD portföylerinde üstünlük sağlamaktadır. Ek olarak, KNN, SVC ve LR sırasıyla en düşük Sharpe oranlarına sahiptir. Getirileri tahmin etme sürecinde, uygulanan karşılaştırma metriğine göre Doğrusal Regresyon en iyi sonuçları üretmektedir. Son olarak, XAI yöntemleri, KNN ve LR modellerinin özellik tasarımında on-dönemlik Ortalama Yön Endeksi'nin (ADX) dahil edilmesinin önemini vurgulamaktadır.
Özet (Çeviri)
This study examines the evaluation of S&P 500 trend movements and their impact on portfolio optimization methodologies. Through the meticulous construction of risk aversion-adjusted portfolios applicable to both single and multiple period analyses, the research employs variance and Conditional Value at Risk (CVaR) for single periods, while using Mean Absolute Deviation (MAD) for multiple periods. The optimization process benefits from the synergistic use of Python for computational modeling and AMPL for executing complex mathematical formulations. To accurately predict risk aversion, the study utilizes six classification models integrated with 29 indicators derived from technical analysis: Logistic Regression (LR), K-Nearest Neighbors (KNN), Support Vector Classifier (SVC), Decision Trees (DT), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost). Simultaneously, return forecasting leverages the predictive capabilities of four regression frameworks—Linear Regression, LSTM, XGBoost, and LightGBM—based on various technical indicators. Explainable AI (XAI) techniques, particularly LIME and SHAP, facilitate a deeper understanding of feature importance in the decision-making processes of machine learning algorithms. The findings of this thesis demonstrate that the methods used perform differently across various optimization problems. While DT achieves the highest Sharpe ratio for Mean-Variance portfolios, LR performs best in the Mean-CVaR portfolios, and SVC excels for the Mean-MAD portfolios. Additionally, the KNN, SVC, and LR have the lowest Sharpe ratios, respectively. In the process of predicting returns, Linear Regression produces the best outcomes based on the applied comparison metric. Lastly, the XAI methods highlight the importance of incorporating the Average Directional Index (ADX) with a ten-period setting in the feature design of the KNN and LR models.
Benzer Tezler
- İslami fintech uygulamaları ve makine öğrenmesi yöntemleri ileportföy optimizasyonu
Islamic fintech applications and portfolio optimization usingmachine learning methods
GÖKMEN KILIÇ
- Hiyerarşik risk paritesi ve çok kriterli karar verme yöntemleri ile portföy optimizasyonu: BIST 100 uygulaması
Portfolio optimization with hierarchical risk parity and multi-criteria decision making: BIST 100 application
ALİ KATRANCI
- Perakende sektöründe dinamik fiyatlandırma ile gelir optimizasyonu
Revenue optimization application with dynamic pricing in retail industry
SİNEM BATMACA
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-CerrahpaşaEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNEM BÜYÜKSAATÇI KİRİŞ
- Finansal zaman serileri için makine öğrenmesi teknikleri ile trend tahmini
Trend forecasting with machine learning techniques for financial time series
NUH YURDUSEVEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ANIL MÜNGEN
- Long term competitive advantage effect on company value with fuzzy logic and machine learning applications
Bulanık mantık ve makine öğrenmesi uygulamaları ile uzun vadeli rekabet avantajının şirket değeri üzerine etkisi
ZEKERİYA BİLDİK
Doktora
İngilizce
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. KAYA TOKMAKÇIOĞLU