Makine öğrenmesi yöntemleriyle finansal piyasalarda yatırım kararlarının alınması
Investment decisions in financial markets using machine learning methods
- Tez No: 936821
- Danışmanlar: PROF. DR. ALİ HEPŞEN
- Tez Türü: Doktora
- Konular: Maliye, İşletme, Finance, Business Administration
- Anahtar Kelimeler: Hisse senedi getirileri, Hisse senetleri, Menkul kıymetler borsası, Uluslararası finansal piyasalar, Yapay zeka ve makine öğrenmesi dersi, Stock returns, Stocks, Stock exchange, International financial markets, Artificial intelligence and machine learning course
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, küresel hisse senedi piyasası verilerini kullanarak makine öğrenmesi modelleriyle beklenen hisse senedi getirilerinin kesitsel analizini incelemektedir. Seksen firma karakteristiği hesaplanarak oluşturulan modelin, doğrusal modellere kıyasla daha tutarlı, daha başarılı ve istatistiksel olarak anlamlı sonuçlar verdiği bulunmuştur. Varlık fiyatlama alanında, gradyan güçlendirmeli regresyon ağaçları gibi sığ modellerin, derin öğrenme yaklaşımlarına göre daha tutarlı ve güvenilir bir performans sergilemektedir. Bu durum, büyük olasılıkla finansal piyasalardaki düşük sinyal-gürültü oranı nedeniyle derin öğrenme modellerinde görülen aşırı öğrenme ve parametre duyarlılığından kaynaklanmaktadır. Literatürle uyumlu olarak, makine öğrenmesiyle elde edilen ampirik bulgular, beklenen hisse senedi getirilerinin kesitsel dağılımını açıklamada momentum, değer, büyüklük, yatırım, karlılık gibi temel faktörlerin açıklayıcılık gücünü vurgulamaktadır. Momentum gibi fiyat temelli faktörler ve değer faktörünün, diğer faktörlere kıyasla beklenen getirileri açıklamada daha güçlü olduğu ve faktörlerin göreli öneminin piyasa koşullarına bağlı olarak değişkenlik gösterdiği gözlemlenmiştir. Sonuçlar, makine öğrenmesi modellerinin portföy stratejilerine dönüştürülebileceğini ortaya koymakta ve karmaşıklığın, Sharpe oranı gibi ölçütleri iyileştirdiği durumlarda ekonomik faydalar sağladığını göstermektedir. Genel olarak, bu bulgular modern finansal sistemde makine öğrenmesi yaklaşımlarının önemini ve hisse senedi getirilerinin temel belirleyicileri olan çeşitli karakteristiklerden bilgi sentezleme yeteneğini ortaya koymaktadır. Bu tez, sadelik ilkesine dair geleneksel anlayışları sorgulamakta ve belirli bir karmaşıklık derecesine dayalı olarak ekonomik kazançların elde edilebileceğini göstermektedir.
Özet (Çeviri)
This thesis examines cross-sectional stock returns using machine learning models based on global stock market data. By calculating 80 firm-level characteristics, it is found that the model outperforms linear models in terms of both economic and statistical performance. Shallow models, such as gradient boosted decision trees, provide more consistent and reliable performance compared to deeper models in the context of asset pricing, likely due to a low signal-to-noise ratio in financial markets, which leads to overfitting and sensitivity to parameters. In line with the existing literature, the empirical evidence derived from machine learning models underscores the explanatory power of fundamental factors—such as momentum, value, size, investment, and profitability—in explaining the cross-section of expected stock returns. It is observed that price-based factors such as momentum and the value factor exhibit stronger explanatory power for expected returns compared to other factors, and that the relative importance of factors vary depending on varying market conditions. The results reveal that machine learning models can be translated into portfolio strategies, where complexity is beneficial when it enhances performance metrics such as Sharpe ratio. Overall, these findings demonstrate the importance of machine learning approaches in a modern financial system, particularly their ability to synthesize information from various characteristics, which are key determinants of stock returns. This thesis challenges traditional notions of a preference for parsimony and shows that economic gains can be achieved based on certain levels of complexity.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ