Using machine learning to develop an asset allocation application
Varlık tahsisi uygulaması geliştirmek için makine öğrenmesi kullanımı
- Tez No: 649232
- Danışmanlar: PROF. DR. BURAK SALTOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Aktif portföy yönetimi, Finansal varlık, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Rastgele ormanlar, Varlık tahsis yöntemleri, Active portfolio management, Financial asset, Machine learning, Machine learning methods, Random forests, Existence allocation methods
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonomi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma sırasında, faktörü takip eden portföy (factor mimicking portfolio (FMP)) oluşturulması sırasında makine öğrenmesinden yararlanılmış ve oluşturulan bu portföy bir uygulama içerisinde kullanılmıştır. Çalışmamızda hedef makro ekonomik faktör enflasyon olarak belirlendi. FMP oluşturulması sürecinde doğrusal regresyon modeli LASSO ve Ridge regresyon modellerinden daha iyi performans göstermiştir. Portföydeki hisselerin yönetimini gerçekleştirmek için ve bu portföyü uygulamalı olarak kullanmak için, gelecek enflasyon değerleri Random Forest makine öğrenmesi yöntemi kullanılarak tahmin edildi. Random Forest modelinin tahmin doğruluğu 1-dönem gecikme (1-period lag) ve basit hareketli ortalama (Simple Moving Average) yöntemlerinden daha iyi olmakla birlikte, Kaydırmalı ARIMA modeli daha az tahmin hatasına sahip. Buna rağmen, Random Forest yönteminin tahmin ettiği enflasyon değerleri ile yönetilen portföy, Kaydırmalı ARIMA'nın tahminleriyle yönetilen portföyden daha fazla getiri getirmekle birlikte hem daha yüksek Sharpe ve Sortino rasyolarına sahip hem de daha düşük en yüksek düşme noktasına sahip. Son olarak, bir yatırım stratejisi takip ederek sermayenin %95'i eşit ağırlıklı portföye ve %5'i oluşturduğumuz portföye yatırıldı. Piyasa karşılaştırmalı değerlendirme noktası olarak eşit ağırlıklı portföy seçildi ve önerilen portföyün piyasadan daha iyi performans verdiği gösterildi.
Özet (Çeviri)
This paper aims to analyze factor mimicking portfolio (FMP) construction in the context of Machine Learning and use it in a practical application. Inflation is chosen as the target macroeconomic factor in this study. We show that in the FMP construction process, Linear regression model performs better than LASSO and Ridge regression. In order to provide an application with FMP, Random Forest model is utilized in forecasting future inflation values so that asset allocation in the FMP can be done accordingly. While forecast accuracy of the Random Forest model is better than 1-period lag and simple moving average models, Rolling ARIMA model has smaller forecast error. However, FMP which is updated by the inflation forecasts from Random Forest provide more profit, higher Sharpe and Sortino ratios, and smaller maximum drawdown than the one with the Rolling ARIMA. Lastly, we follow a strategy such that we invest 95% of the initial capital to equally weighted portfolio and 5% of the initial capital to the FMP. We show that the proposed model outperforms the market where equally weighted portfolio of the same assets is used as market benchmark.
Benzer Tezler
- Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması
Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation
SALİM YAYKIRAN
Doktora
Türkçe
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPASLAN EKDAL
- Doğal afetlerde çevrimiçi davranış verilerine dayalı ihtiyaç tahmini ve kaynak tahsis optimizasyonu: 2023 kahramanmaraş depremleri uygulaması
Demand prediction and resource allocation optimization based on online behavioral data in natural disasters: An application to the 2023 Kahramanmaraş earthquakes
MEHMET DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDİ DAŞDEMİR
- Etkin bina emlak vergi değerinin belirlenebilmesi için makine öğrenme temelli bir değerleme modeli önerisi
A proposal for a machine learning based valuation model for determining efficient building property tax value
ELİF ŞEVVAL TAŞTAN
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. REHA METİN ALKAN
- Communication networks traffic prediction using machine learning
Başlık çevirisi yok
ASLIHAN REYHANOĞLU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUnıversıty Of HertfordshıreDR. IOSİF MPORAS
- Exploiting clustering patterns in training sets to improve classification performance of fully connected layers
Tam bağlantılı katmanların sınıflandırma performansını iyileştirmek için eğitim setlerindeki kümeleme örüntülerinden faydalanma
TOLGA AHMET KALAYCI
Doktora
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN