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: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 217
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
- Büyük veri ve finansal piyasalarda istatistiki makine öğrenmesi metodlarının yatırım kararlarında kullanılması
Using big data and statistical machine learning methods in investment decisions in financial markets
FEHİM KURUCAN
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- A machine learning approach for the detection of trade‑based manipulations in Borsa İstanbul
Makine öğrenmesi yaklaşımıyla Borsa İstanbul'da işlem bazlı manipülasyonların tespiti
NURULLAH CELAL USLU
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FUAT AKAL
- Improving time series forecasts through predictive error compensation and deep feature fusion
Tahmı̇nsel hata telafı̇sı̇ ve derı̇n öznitelik füzyonu yoluyla zaman serı̇sı̇ tahmı̇nlerı̇nı̇n gelı̇ştı̇rı̇lmesı̇
MUHAMMED ENES BAŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Yapay zeka yöntemleriyle hisse senedi fiyatının öngörülmesi
Stock market prediction using artificial intelenge metyhods
MEHMET HARUN SONGÜN
Doktora
Türkçe
2023
MaliyeMarmara ÜniversitesiSermaye Piyasası ve Borsa Ana Bilim Dalı
PROF. DR. MURAT AKBALIK