Predicting government bond price returns using machine learning algorithms
Yükleniyor...
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Bilgi Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
ABSTRACT: In this study, one-step, five-step, ten-step, thirty-step, sixty-step and ninety-step ahead daily close price returns of selected common long-end term bonds of Turkey, Germany and the United States are predicted with machine learning models, which namely are the linear regression, the random forest, gradient boosted regressor trees and support vector regressors. This study also provides information about how bonds’ unique security codes (more specifically, how the National Security Identification Numbers and the International Security Identification Numbers) are determined, how the bond market and public debt evolved within the date range of the data set and the reasoning of the selection of the selected independent variables is provided: Explanatory variables are selected among other price series that are expected to be relevant with the dependent variable bonds. Selected performance metrics to evaluate each model and compare them with the baseline model, the random walk model, are the “Residual Sum of Squared Error”, “Mean Absolute Percentage Error”, and the directional accuracy. Results suggest that with the selected combination of models and independent variables, the gradient boosted regressor model and the linear regression model outperform other used machine learning models, while all models outperform the indicated baseline model, the random walk.
ÖZET: Bu çalışmada Türkiye, Almanya ve Amerika Birleşik Devletleri'nin uzun vadeli tahvilleri bir, beş, on, otuz, altmış ve doksan adım sonraki kapanış fiyatlarının günlük değişimleri, lineer regresyon, Rassal Orman, Gradyan Destekli Regresyon ve Destekçi Vektör Makineleri makine öğrenmesi modelleri ile tahminlenmiştir. Bu çalışmada aynı zamanda tahvillerin kendine özgü menkul kıymet kodlarının nasıl belirlendiği, veri setinin tarih aralığında tahvil piyasasının ve kamu borcunun nasıl geliştiği hakkında bilgi verilmekte ve seçilen bağımsız değişkenlerin seçilme gerekçeleri sunulmaktadır: Bu değişkenler, açıkladıkları bağımlı değişkenlerle ilişkili oldukları düşünülen başka fiyat serileri arasından seçilmiştir. Her bir modeli değerlendirmek ve bu modelleri baz model olan rassal yürüyüş modeli ile kıyaslamak için seçilen performans metrikleri Kök Ortalama Kare Hatası, Ortalama Mutlak Yüzde Hatası ve yön doğruluğudur. Sonuçlar, bu çalışmada kullanılan model ve bağımsız değişkenler kombinasyonuyla, Gradyan Destekli Ağaç ve lineer regresyon modellerinin diğer kullanılan makine öğrenimi modellerinden daha iyi performans gösterdiğini, tüm modellerin ise belirtilen baz model olan Rassal Yürüyüş’ten daha iyi performans gösterdiğini ortaya koymaktadır.
ÖZET: Bu çalışmada Türkiye, Almanya ve Amerika Birleşik Devletleri'nin uzun vadeli tahvilleri bir, beş, on, otuz, altmış ve doksan adım sonraki kapanış fiyatlarının günlük değişimleri, lineer regresyon, Rassal Orman, Gradyan Destekli Regresyon ve Destekçi Vektör Makineleri makine öğrenmesi modelleri ile tahminlenmiştir. Bu çalışmada aynı zamanda tahvillerin kendine özgü menkul kıymet kodlarının nasıl belirlendiği, veri setinin tarih aralığında tahvil piyasasının ve kamu borcunun nasıl geliştiği hakkında bilgi verilmekte ve seçilen bağımsız değişkenlerin seçilme gerekçeleri sunulmaktadır: Bu değişkenler, açıkladıkları bağımlı değişkenlerle ilişkili oldukları düşünülen başka fiyat serileri arasından seçilmiştir. Her bir modeli değerlendirmek ve bu modelleri baz model olan rassal yürüyüş modeli ile kıyaslamak için seçilen performans metrikleri Kök Ortalama Kare Hatası, Ortalama Mutlak Yüzde Hatası ve yön doğruluğudur. Sonuçlar, bu çalışmada kullanılan model ve bağımsız değişkenler kombinasyonuyla, Gradyan Destekli Ağaç ve lineer regresyon modellerinin diğer kullanılan makine öğrenimi modellerinden daha iyi performans gösterdiğini, tüm modellerin ise belirtilen baz model olan Rassal Yürüyüş’ten daha iyi performans gösterdiğini ortaya koymaktadır.
Açıklama
Anahtar Kelimeler
Government Bonds, Machine Learning Algorithms, Turkish, German and American Bond Markets, Gradient Boosted Forests, Linear Regression, RandomForest, Support Vector Machines, Residual Mean Squared Error, Mean Absolute Percentage Error, Devlet Tahvilleri, Makine Öğrenmesi Algoritmaları, Türkiye, Amerika ve Almanya Tahvil Piyasaları, Gradyan Destekli Ormanlar, Lineer Regresyon, Rassal Ormanlar, Destekçi Vektör Makineleri, Kök Ortalama Kare Hata, Ortalama Mutlak Hata Yüzdesi
