Geri Dön

Forecasting the Turkish yield curve using deep learning and econometric models: A comparative analysis

Türkı̇ye getı̇rı̇ eğrı̇sı̇nı̇n derı̇n öğrenme ve ekonometrı̇k modeller kullanılarak tahmı̇n edı̇lmesı̇: Karşılaştırmalı bı̇r analı̇z

PDF İndir

  1. Tez No: 978847
  2. Yazar: EFE MERT USTAOĞLU
  3. Danışmanlar: DR. EMRAH AHİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Maliye, Ekonomi, Finance, Economics
  6. Anahtar Kelimeler: Getiri eğrisi, Yield curve
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Özyeğin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Finans Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Finans Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, Turkiye Hazine tahvili getiri e ¨ grisinin hem geleneksel zaman serisi modelleri hem ˘ de derin o¨grenme yaklas¸ ˘ ımlarıyla modellenmesini ve tahmin edilmesini incelemektedir. C¸ alıs¸mada; Otoregresif (AR), Random Walk (RW), sabit ve zamanla degis¸en s ˘ on¨ umleme ¨ parametrelerine sahip Dinamik Nelson-Siegel (DLNS) modeli ile Uzun Kısa Sureli Bellek ¨ (LSTM) aglar ˘ ı gibi modellerin tahmin performansı degerlendirilmektedir. Analizde, 3 ay- ˘ dan 10 yıla kadar vadeleri kapsayan ve Temmuz 2012 ile S¸ ubat 2025 tarihleri arasındaki gunl ¨ uk s ¨ ıfır kupon getiri verileri kullanılmıs¸tır. Modellerin tahmin performansı, farklı vadeler ic¸in dıs¸ orneklem genis¸leyen pencere y ¨ ontemiyle de ¨ gerlendirilmis¸tir. Tahmin ˘ dogrulu ˘ gu ic¸in temel ˘ olc¸ ¨ ut olarak Karek ¨ ok Ortalama Hata (RMSE) kullan ¨ ılmıs¸, mod eller arası performans farklarının istatistiksel olarak anlamlı olup olmadıg˘ını test etmek amacıyla Diebold-Mariano testi uygulanmıs¸tır. Ampirik bulgular, AR ve RW gibi basit modellerin kısa vadede bas¸arılı sonuc¸lar verdigini ancak tahmin ufku uzad ˘ ıkc¸a perfor manslarının belirgin s¸ekilde azaldıg˘ını gostermektedir. Buna kars¸ ¨ ılık, ozellikle Nelson- ¨ Siegel c¸erc¸evesinden turetilmis¸ latent fakt ¨ orlerle e ¨ gitilen LSTM modelleri, orta ve uzun ˘ vadeli tahminlerde ust ¨ un genelleme performans ¨ ı sergilemis¸tir. Ayrıca, zamanla degis¸en ˘ λ parametresine sahip DLNS modeli de uzun vadede referans modellere kıyasla daha bas¸arılı sonuc¸lar uretmis¸tir. Bu bulgular, yap ¨ ılandırılmıs¸ faktor dinamiklerinin ve derin ¨ o¨grenme tekniklerinin, getiri e ˘ grisi gibi karmas¸ ˘ ık nansal zaman serilerinin tahmininde saglad ˘ ıg˘ı onemli katk ¨ ıyı ortaya koymaktadır.

Özet (Çeviri)

This thesis investigates the modeling and forecasting of the Turkish Treasury bond yield curve using both traditional time series models and deep learning approaches. The study focuses on evaluating the performance of models such as Autoregressive (AR), Random Walk (RW), the Dynamic Nelson-Siegel (DLNS) model with xed and time-varying de cay parameters, and Long Short-Term Memory (LSTM) networks. Daily zero-coupon yield data between July 2012 and February 2025 were used, covering maturities rang ing from 3 months to 10 years. Forecasting performance was assessed using an out-of sample expanding window framework for different horizons. Root Mean Squared Error (RMSE) was employed as the main accuracy metric, and the Diebold-Mariano (DM) test was applied to determine whether performance differences across models were statisti cally signicant. The empirical ndings show that while simpler models such as AR and RW perform well in the short term, their forecasting accuracy deteriorates as the horizon increases. In contrast, LSTM models—particularly those trained on latent factors derived from the Nelson-Siegel framework—demonstrate superior generalization performance in medium- and long-term forecasts. Notably, the DLNS model with a time-varying λ also outperforms benchmark models at longer horizons. These results highlight the value of incorporating structured factor dynamics and deep learning techniques for forecasting complex nancial time series such as the yield curve.

Benzer Tezler

  1. Tez No

    1015898

    TURKISH EUROBOND YIELD CURVE FORECASTING WITH DYNAMIC NELSON–SIEGEL FACTORS AND DEEP LEARNING

    Türkiye Eurobond Getiri Eğrisinin Dinamik Nelson–Siegel Faktörleri ve Derin Öğrenme Yöntemleriyle Tahmini

    TUNAHAN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    EkonometriÖzyeğin Üniversitesi

    Uluslararası Finans Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRAH AHİ

  2. Tez No

    560465

    Estimate the yield curve for sovereign bonds in Turkey and forecasting Turkish economy from the shape of yield curve (2005 - 2018)

    Türkiye hazine kağıtlarının verim eğrisini tahmin etmek ve Türkiye ekonomisini verim eğrisi üzerinden öngörmek (2005 - 2018)

    TEOMAN SAMET TEMUÇİN

    Doktora

    İngilizce

    İngilizce

    2019

    BankacılıkKadir Has Üniversitesi

    Yönetim Bilimleri Ana Bilim Dalı

    PROF. DR. NURHAN DAVUTYAN

    YRD. DOÇ. DR. SABRİ ARHAN ERTAN

  3. Tez No

    923733

    Getiri eğrilerinin modellenmesi ve tahmini: Parametrik ve makine öğrenmesi tekniklerinin karşılaştırmalı analizi

    Modeling and forecasting yield curves: A comparative analysis of parametric vs. machine learning techniques

    CEMAL ÖZTÜRK

    Doktora

    Türkçe

    Türkçe

    2025

    EkonomiPamukkale Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. İSMAİL ÇEVİŞ

  4. Tez No

    87753

    Kamu borçlanma senetlerinin banka mali tabloları üzerindeki etkisi

    The Effects of public sector borrowing papers on the commercial banks fiscal tables

    EMEL SALMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1999

    BankacılıkMarmara Üniversitesi

    Bankacılık Ana Bilim Dalı

    PROF. DR. İLHAN ULUDAĞ

  5. Tez No

    496502

    Bulanık zincir model temelleri ve hidrograf tahminleri

    Fuzzy chain model fundamentals and hydrograph estimations

    YAVUZ SELİM GÜÇLÜ

    Doktora

    Türkçe

    Türkçe

    2017

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEKAİ ŞEN

Geri Dön