Yapay öğrenme yaklaşımlarıyla riske maruz değer portföy tahmini
Value-at-risk portfolio estimation with machine learning approaches
- Tez No: 977769
- Danışmanlar: PROF. DR. BURCU HÜDAVERDİ AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Portföy risk yönetimi, finansal piyasalarda yatırımın temel ilkelerinden biri hâline gelmiştir. Riske Maruz Değer'in (Value at Risk – VaR) doğru şekilde tahmin edilmesi, olası kayıpların hesaplanmasında sistematik bir yaklaşım sunmaktadır. Bu tez, özellikle kriz koşullarında çok değişkenli portföyler için yeni bir hibrit GARCH LSTM–Copula modelini VaR hesaplaması amacıyla önermektedir. Model, finansal verilerdeki doğrusal olmayan ve karmaşık yapıları yakalamada makine öğrenmesine dayalı modellerin yeteneklerinden ve varlıklar arasındaki bağımlılıkları modellemede Copula yapıların avantajlarından faydalanmaktadır. Önerilen modelin performansı, geleneksel GARCH–Copula modeliyle karşılaştırılarak değerlendirilmiştir. Veriler, Ocak 2005 ile Kasım 2024 arasındaki dönemde NASDAQ endeksinde yer alan sekiz şirkete ait hisse senetlerini kapsamaktadır. Hibrit modeller, kapsama testleri, regülatör ve firma kayıp fonksiyonları kullanılarak değerlendirilmiştir. Sonuçlar, özellikle %99 ve üzeri gibi kritik güven seviyelerinde GARCH–LSTM–Copula modelinin üstün performans sergilediğini göstermektedir. Ancak %95 gibi daha düşük güven seviyelerinde GARCH–Copula modeli de başarılı sonuçlar vermektedir. Ayrıca bu tez, VaR üzerinde etkili faktörlerden biri olan Çevresel, Sosyal ve Yönetişim (Environmental, Social, and Governance – ESG) derecelendirmelerini de incelemiştir. ESG puanları iki farklı dönemde analiz edilmiştir: biri hem standart hem de yüksek piyasa oynaklığını kapsayan dönem, diğeri ise doğrudan COVID-19 krizi dönemine odaklanan dönemdir. Analizlerde, GARCH–LSTM–Copula modeliyle tahmin edilen VaR kullanılmıştır. Sonuçlar, yüksek ESG derecelendirmesine sahip varlıkların daha fazla yer aldığı portföylerin VaR'ı azaltmaya yardımcı olduğunu ortaya koymaktadır. Bu risk azalması, özellikle kritik dönemlerde daha belirgin hale gelmekte ve ESG derecelendirmelerinin risk yönetimi üzerindeki önemli etkisini doğrulamaktadır.
Özet (Çeviri)
Portfolio risk management has become one of the fundamental principles of investment in financial markets. Accurate estimation of Value at Risk (VaR) provides a systematic approach to calculating potential losses. This thesis proposes a new hybrid GARCH–LSTM–Copula model for the purpose of VaR estimation, particularly for multivariate portfolios under crisis conditions. The model benefits from the capabilities of machine learning-based methods in capturing nonlinear and complex structures in financial data and from the advantages of Copula structures in modeling dependencies among assets. The performance of the proposed model has been evaluated by comparing it with the traditional GARCH–Copula model. The data covers the stock prices of eight companies listed in the NASDAQ index between January 2005 and November 2024. Hybrid models were evaluated using coverage tests, regulatory and firm loss functions. The results indicate that the GARCH–LSTM Copula model performs superiorly, especially at critical confidence levels such as 99% and above. However, at lower confidence levels such as 95%, the GARCH–Copula model also provides successful results. In addition, this thesis examines Environmental, Social, and Governance (ESG) ratings, which are among the factors affecting VaR. ESG scores were analyzed over two different periods: one covering both standard and high market volatility conditions, and the other focusing directly on the COVID-19 crisis period. In the analyses, VaR estimated by the GARCH–LSTM Copula model was used. The results reveal that portfolios containing a higher proportion of assets with high ESG ratings help reduce VaR. This risk reduction becomes more pronounced particularly during critical periods and confirms the significant impact of ESG ratings on risk management, especially under volatile market conditions.
Benzer Tezler
- Tarımsal Alanlarda Pestisit Taşınımlarının Yapay Zekâ Tabanlı Bir Yaklaşım Geliştirilerek Araştırılması
Investigation of Pesticide Transport in Agricultural Areas by Developing an Artificial Intelligence Based Approach
AHMET SAATÇI
Doktora
Türkçe
2026
Çevre MühendisliğiFırat ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. ERGİN TAŞKAN
- Oturum verileri üzerinden davranışsal anomali ve iç tehdit tespiti: açıklanabilir yapay zekâ destekli bir yaklaşım
Behavioral anomaly and insider threat detection from session data: an explainable artificial intelligence-based approach
ERHAN YILMAZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜ CAN
- Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi
Short-term direction forecasting in capital markets with advanced machine learning and dynamic TP/SL analysis
EMRE ARI
Doktora
Türkçe
2026
İstatistikİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Beyin tümörlerinin derin öğrenme yaklaşımlarıyla tespiti
Detecting brain tumors using deep learning approaches
MEHMET ALİ ATICI
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ