Essays on credit default swap market: Time series predictions with machine learning

LİNA BAROKAS

Essays on credit default swap market: Time series predictions with machine learning

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, İktisat Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: LİNA BAROKAS

Danışman: Sadullah Çelik

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, BRIC (Brezilya, Rusya, Çin, Güney Afrika) ve MINT (Meksika, Endonezya, Türkiye) ülkelerinin kredi temerrüt riski, en yeni yöntemler olan makine öğrenmesi ile tahmin edilmistir. Bu teknikler arasında Ridge regresyonu, LASSO tahmin edicisi ve tekrarlayan sinir ağları (Elman RNN, NARX, LSTM, GRU) kullanılmıştır. Kullanılan metotların tahmin kuvveti, ortalama mutlak hata, ortalama karekök hatası ve anlamlılık katsayısı R ile kıyaslandırılmıştır. Sonuçlar ülke ve kullanılan metot bazında farklılıklar göstermektedir. Kullanılan açıklayıcı değiskenlerin, hesaplanan tahminlere katkıları, SHAP değerleri analiz edilerek açıklanmıştır. Çalışmada 03/01/2012'den 29/11/2019 tarihine kadar olan günlük veri kullanılmıştır. Tahmin edilen değişken, 5 yıl vadeli kontratlı kredi temerrüt risk birimi olarak seçilmiştir. İlk bölümün sonucunda, LASSO tahmin edicisi ile daha yüksek R katsayısı elde edilmiştir. Ancak Ridge regresyonu ile daha düşük ortalama mutlak hata ve ortalama karekök hatası elde edilmiştir. İkinci bölümün sonucunda, Çin haricindeki ülkelerde, NARX tekrarlayan sinir ağı, Elman tekrarlayan sinir ağından daha iyi sonuçlar üretmiştir. Son bölümde ise, Brezilya ve Endonezya için GRU tekniği ile LSTM tekniğinden daha iyi sonuçlar elde edilmiştir. Fakat LSTM, Rusya, Güney Afrika, Meksika ve Türkiye için daha iyi sonuçlar çıkarmıştır. Çin için iki yönteminde sonuçları yakındır. Tahmin modellerinin performansını ülke bazlı kıyaslarsak, sinir ağı en yüksek tahmin kuvvetini Türkiye için ulaşmıştır. Sonuç olarak, derin öğrenme yöntemi olan tekrarlayan sinir ağları, makine öğrenmesi olan Ridge regresyonu ve LASSO tahmin edicisinden daha yüksek doğrulukta tahminler hesaplamıştır.