بازگشت به جستجو

ارزش گذاری اوراق با درآمد ثابت و برآورد ساختار مدت در بازار اوراق قرضه بین المللی با استفاده از تکنیک های یادگیری ماشین

عنوان	ارزش گذاری اوراق با درآمد ثابت و برآورد ساختار مدت در بازار اوراق قرضه بین المللی با استفاده از تکنیک های یادگیری ماشین
نویسنده	دارتانل، علی
تاریخ انتشار:	2023-01-16T11:23:19Z
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	68fdc768-e483-428d-bf83-2fb58b250247
محل کتابخانه	گروه مهندسی مالی
تاریخ	2023-01-16T11:23:19Z
متن نمونه	در این مطالعه، من بر پیش‌بینی ریسک اوراق قرضه در بازار اوراق قرضه یورو ترکیه با استفاده از روش‌های یادگیری ماشین تمرکز می‌کنم. یادگیری ماشینی از تکنیک های یادگیری آماری برای جمع آوری ساختارهای مفید یک مجموعه داده بدون برنامه ریزی صریح استفاده می کند. در سال‌های اخیر یادگیری ماشین به موضوعی بسیار محبوب تبدیل شده است و نتایج بسیار خوبی در زمینه‌های مختلف نشان داده است، اما در زمینه مدل‌سازی ساختار اصطلاحی تحقیقات کافی وجود ندارد. به منظور پیش بینی بازده یوروباند ترکیه، چندین مدل یادگیری ماشین مانند OLS، PCA، Ridge، Lasso، Elastic net و شبکه های عصبی را پیاده سازی کردم. مجموعه داده‌های خامی که من استفاده کردم شامل بازده اوراق قرضه یورو دولت ترکیه بین سال‌های 2005 تا 2020 می‌شود. هر دو بازده ماهانه و سالانه به طور جداگانه برآورد می شود. نرخ‌های کوپن صفر و نرخ‌های فوروارد از داده‌های خام محاسبه می‌شوند و به عنوان عناصر سمت چپ سایت برای پیش‌بینی‌های یادگیری ماشین استفاده می‌شوند. متغیرهای کلان اقتصادی نیز به عنوان عوامل به نرخ های فوروارد اضافه می شوند. من عملکرد خارج از نمونه مدل ها را مقایسه کردم و دریافتم که رگرسیون خطی مجازات بهترین نتایج را برای پیش بینی بازده اضافی اوراق قرضه ارائه می دهد و تقریباً 10٪ R2 خارج از نمونه را ارائه می دهد. شبکه های عصبی دومین عملکرد برتر هستند که حدود 3 تا 4 درصد R2 خارج از نمونه تولید می کنند. به علاوه، افزودن متغیرهای کلان اقتصادی به مدل‌ها، نتایج را اندکی 2 تا 3 درصد بهبود بخشید. همچنین، برآورد بازده سالانه بهتر از بازده ماهانه برای OLS، Ridge، Lasso و رگرسیون خالص الاستیک انجام شد، اما برای شبکه‌های عصبی نه.، odaklanacaktır. Makine öğrenimi, detaylıca programlanmadan bir veri kümesinin yararlı yapılarını toplamak için istatistiksel öğrenme tekniklerini kullanır. Son yıllarda makine öğrenimi çok daha populer bir konu haline geldi ve çeşitli alanlarda çok iyi sonuçlar gösterdi, ancak getiri eğrisini modelleme alanında araştırma eksikliği olduğu dikkatimizi çekmekte. فائز اورانلارینین وده یاپیسینی مدللمک ایچین یاپای سینیر آغلاری، درین اوغرنمه یونتملری، دوغروسال مدلر، سزالی دوغروسال رگرسیونلار و بویوتلولوک آزالتما تکنیکلری گیبی ماشینه اوغرنمسی تکنیکلرینی کولندیک. داده هام، 2005 و 2020 yılları arasındaki Turkiye Eurobondları faizlerinden oluşturulmuştur. آیلیک و ییلیک گتیریلر ائری ائری تهمین ادیلمیشتر. Ham data kullanılarak önce kuponsuz tahvil getiri eğrisi, sonraısında da ileri vadeli getiriler hesaplanmış ve modellerin bağımlı değişkenleri olarak dahil edilmiştir. Bu değişkenlere makro ekonomik veriler de eklenerek ayrıca tahmin yapılmıştır. Modellerin örneklem dışı performanslarını kıyaslarak incelendiğinde cezalı doğrusal regresyonların yaklaşık 10% R2OOS sağlayarak en başarılı modeller olduğu görülmüştür. Sinir ağları modelleri 3-4% R2OOS ile en başarılı ikinci performansı sergilemiştir. Makro verilerin modellere değişken olarak eklenmesi sonuçları 2-3% iyileştirmiştir. Ayıca, doğrusal ve cezalı doğrusal modeller için yıllık getiri tahminleri aylık getiri tahminlerine göre daha iyi sonuç vermiştir.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

ارزش گذاری اوراق با درآمد ثابت و برآورد ساختار مدت در بازار اوراق قرضه بین المللی با استفاده از تکنیک های یادگیری ماشین

نویسنده دارتانل، علی

تاریخ انتشار 2023-01-16T11:23:19Z

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 68fdc768-e483-428d-bf83-2fb58b250247

محل کتابخانه گروه مهندسی مالی

تاریخ 2023-01-16T11:23:19Z

متن نمونه در این مطالعه، من بر پیش‌بینی ریسک اوراق قرضه در بازار اوراق قرضه یورو ترکیه با استفاده از روش‌های یادگیری ماشین تمرکز می‌کنم. یادگیری ماشینی از تکنیک های یادگیری آماری برای جمع آوری ساختارهای مفید یک مجموعه داده بدون برنامه ریزی صریح استفاده می کند. در سال‌های اخیر یادگیری ماشین به موضوعی بسیار محبوب تبدیل شده است و نتایج بسیار خوبی در زمینه‌های مختلف نشان داده است، اما در زمینه مدل‌سازی ساختار اصطلاحی تحقیقات کافی وجود ندارد. به منظور پیش بینی بازده یوروباند ترکیه، چندین مدل یادگیری ماشین مانند OLS، PCA، Ridge، Lasso، Elastic net و شبکه های عصبی را پیاده سازی کردم. مجموعه داده‌های خامی که من استفاده کردم شامل بازده اوراق قرضه یورو دولت ترکیه بین سال‌های 2005 تا 2020 می‌شود. هر دو بازده ماهانه و سالانه به طور جداگانه برآورد می شود. نرخ‌های کوپن صفر و نرخ‌های فوروارد از داده‌های خام محاسبه می‌شوند و به عنوان عناصر سمت چپ سایت برای پیش‌بینی‌های یادگیری ماشین استفاده می‌شوند. متغیرهای کلان اقتصادی نیز به عنوان عوامل به نرخ های فوروارد اضافه می شوند. من عملکرد خارج از نمونه مدل ها را مقایسه کردم و دریافتم که رگرسیون خطی مجازات بهترین نتایج را برای پیش بینی بازده اضافی اوراق قرضه ارائه می دهد و تقریباً 10٪ R2 خارج از نمونه را ارائه می دهد. شبکه های عصبی دومین عملکرد برتر هستند که حدود 3 تا 4 درصد R2 خارج از نمونه تولید می کنند. به علاوه، افزودن متغیرهای کلان اقتصادی به مدل‌ها، نتایج را اندکی 2 تا 3 درصد بهبود بخشید. همچنین، برآورد بازده سالانه بهتر از بازده ماهانه برای OLS، Ridge، Lasso و رگرسیون خالص الاستیک انجام شد، اما برای شبکه‌های عصبی نه.، odaklanacaktır. Makine öğrenimi, detaylıca programlanmadan bir veri kümesinin yararlı yapılarını toplamak için istatistiksel öğrenme tekniklerini kullanır. Son yıllarda makine öğrenimi çok daha populer bir konu haline geldi ve çeşitli alanlarda çok iyi sonuçlar gösterdi, ancak getiri eğrisini modelleme alanında araştırma eksikliği olduğu dikkatimizi çekmekte. فائز اورانلارینین وده یاپیسینی مدللمک ایچین یاپای سینیر آغلاری، درین اوغرنمه یونتملری، دوغروسال مدلر، سزالی دوغروسال رگرسیونلار و بویوتلولوک آزالتما تکنیکلری گیبی ماشینه اوغرنمسی تکنیکلرینی کولندیک. داده هام، 2005 و 2020 yılları arasındaki Turkiye Eurobondları faizlerinden oluşturulmuştur. آیلیک و ییلیک گتیریلر ائری ائری تهمین ادیلمیشتر. Ham data kullanılarak önce kuponsuz tahvil getiri eğrisi, sonraısında da ileri vadeli getiriler hesaplanmış ve modellerin bağımlı değişkenleri olarak dahil edilmiştir. Bu değişkenlere makro ekonomik veriler de eklenerek ayrıca tahmin yapılmıştır. Modellerin örneklem dışı performanslarını kıyaslarak incelendiğinde cezalı doğrusal regresyonların yaklaşık 10% R2OOS sağlayarak en başarılı modeller olduğu görülmüştür. Sinir ağları modelleri 3-4% R2OOS ile en başarılı ikinci performansı sergilemiştir. Makro verilerin modellere değişken olarak eklenmesi sonuçları 2-3% iyileştirmiştir. Ayıca, doğrusal ve cezalı doğrusal modeller için yıllık getiri tahminleri aylık getiri tahminlerine göre daha iyi sonuç vermiştir.