Finans uygulamalarının önemli bir çalışma alanını oluşturan finansal zaman serisi tahminlemesi son yıllarda makine öğrenmesi (Machine Learning, ML) yöntemlerinin gelişimi ile finans ve akademi çevrelerinin daha fazla önem atfettiği bir konu olmuştur. Bu çalışmanın amacı, finansal zaman serisi gelecek değerinin tahmininde ML yöntemlerinin karşılaştırmalı olarak bir incelemesini sunmaktır. Çalışmada gelişmiş ve gelişmekte olan iki borsa endeksi ve İstanbul borsasının yüksek hacimli iki hisse senedinin son 5 yıllık kapanış verileri kullanılmıştır. Endeks tahmininde sıklıkla kullanılmış ve başarılı bulunan Destek Vektör Regresyonu (Suport Vector Regression, SVR) ve literatürde zaman serisi tahmininde izine az rastladığımız topluluk (ensemble) makine öğrenmesi yöntemleri olan Rassal Orman (Random Forest, RF) ve Extrem Gradyan Arttırma (eXtreme Gradient Boosting, XGB) yöntemleri tercih edilmiştir. Çalışmanın bulgularına göre, MAE, MAPE ve RMSE kriterleri göz önünde bulundurulduğunda en iyi tahmin yöntemi SVR olarak tespit edilmiştir.
Credit scores are critical for financial sector investors and government officials, so it is important to develop reliable, transparent and appropriate tools for obtaining ratings. This study aims to predict company credit scores with machine learning and modern statistical methods, both in sectoral and aggregated data. Analyses are made on 1881 companies operating in three different sectors that applied for loans from Turkey’s largest public bank. The results of the experiment are compared in terms of classification accuracy, sensitivity, specificity, precision and Mathews correlation coefficient. When the credit ratings are estimated on a sectoral basis, it is observed that the classification rate considerably changes. Considering the analysis results, it is seen that logistic regression analysis, support vector machines, random forest and XGBoost have better performance than decision tree and k-nearest neighbour for all data sets.
Ülke riski değerlendirmesi en genel anlamıyla bir ülkenin alabileceği dış yardımların ve yatırımcıların karşı karşıya kalacağı riskin bir ölçüsüdür. Bu sebeple ülke riskinin, ekonomik, finansal ve politik risk unsurlarının birlikte ele alındığı bir prosedürle oldukça hassas tahminler yapılarak ölçülmesi gerekmektedir. Tahmin yöntemi büyük bir titizlikle tercih edilmeli ve mutlaka farklı yöntemler ile desteklenmelidir. Bu amaçla çalışmada, iyi tahmin sonuçları üreten ve sıklıkla kullanılan LRA, KNN, CART ve DVM yöntemleri tercih edilmiştir. Tahmin modelini eğitmek için 2015-2019 yılları arasında 75 ülkenin farklı makroekonomik göstergeleri kullanılmıştır. Çalışmanın bulgularına göre tercih edilen tüm yöntemler ile oldukça başarılı tahmin sonuçlarının üretildiği söylenebilir. Farklı değerlendirme kriterlerinin ele alındığı ve her bir makine öğrenmesi algoritmasının 100 kez tekrar edildiği durumda, en iyi sonucu veren yöntem KNN algoritması olduğu görülmektedir. Takip eden yöntemler ise sırası ile, DVM, LRA ve CART algoritması olarak sıralanabilir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.