Predicting government bond price returns using machine learning algorithms

Basit Öğe Kaydı
dc.contributor.advisorSoybilgen, Barış
dc.contributor.authorÖzdemirci, Deniz
dc.date.accessioned2021-11-16T17:51:43Z
dc.date.available2021-11-16T17:51:43Z
dc.date.issued2021
dc.departmentEnstitüler, Lisansüstü Programlar Enstitüsü, Finansal İktisat Ana Bilim Dalıen_US
dc.description.abstractABSTRACT: 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.en_US
dc.description.abstractÖZET: 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.en_US
dc.identifier.urihttps://hdl.handle.net/11411/4046
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=tqUiYt63sTQLTpozMJ92QnqnzZdU7dF4RZFAvPgwvKxwE9Oodr52MZkTPTZJ4oQk
dc.identifier.yoktezid699251en_US
dc.language.isoenen_US
dc.nationalInternationalen_US
dc.programFinancial Economicsen_US
dc.publisherİstanbul Bilgi Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen
dc.sponsored.EUNoen_US
dc.sponsored.TUBITAKNoen_US
dc.subjectGovernment Bondsen_US
dc.subjectMachine Learning Algorithmsen_US
dc.subjectTurkish, German and American Bond Marketsen_US
dc.subjectGradient Boosted Forests, Linear Regression, RandomForest, Support Vector Machinesen_US
dc.subjectResidual Mean Squared Error, Mean Absolute Percentage Erroren_US
dc.subjectDevlet Tahvillerien_US
dc.subjectMakine Öğrenmesi Algoritmalarıen_US
dc.subjectTürkiye, Amerika ve Almanya Tahvil Piyasalarıen_US
dc.subjectGradyan Destekli Ormanlar, Lineer Regresyon, Rassal Ormanlar, Destekçi Vektör Makinelerien_US
dc.subjectKök Ortalama Kare Hata, Ortalama Mutlak Hata Yüzdesien_US
dc.titlePredicting government bond price returns using machine learning algorithmsen_US
dc.title.alternativeDevlet tahvili getirilerinin makine öğrenme modelleri ile tahmin edilmesien_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Predicting government bond price returns using machine learning algorithms.pdf
Boyut:
1.37 MB
Biçim:
Adobe Portable Document Format
Açıklama:
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.71 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Graduate Programs Institute Thesis Collection