Yapay sinir ağları modelleriyle volatilite tahmini, opsiyon fiyatlaması ve riske maruz değer tahmini üzerine üç makale

Bu tez, geleneksel ve modern yaklaşımların bir kombinasyonu kullanılarak finansal tahminleme alanında önemli konuları ele alan üç bölümden oluşmaktadır. İlk bölüm, piyasa volatilitesini tahmin etmek için hibrit GARCH-LSTM modelinin uygulanmasını incelemektedir. Geleneksel ekonometrik modellerin uzun kısa süreli bellek (LSTM) ağları ile entegrasyonu, makine öğrenmesi ile yerleşik yöntemlerin birleştirilmesinin volatilite tahmin doğruluğunu artırma potansiyelini ortaya koymaktadır. İkinci bölüm, stokastik volatilite (Heston modeli), sıçrama difüzyonu (Merton modeli) ve yerel volatiliteyi (Dupire modeli) birleştiren Stokastik-Yerel-Sıçrama Volatilite Opsiyon Fiyatlama Modeli'ni (SLJV-OPM) tanıtmaktadır. Bu model, Beklenti Maksimizasyonu (EM) algoritması kullanılarak bileşenlerin katkılarını sistematik bir şekilde kalibre eden bir entegrasyon yöntemi sunmaktadır. Bildiğimiz kadarıyla, bu çalışma, stokastik, sıçrama ve yerel volatilite modellerini opsiyon fiyatlamasında birleştirmek için EM algoritmasının ilk resmi kullanımını temsil etmektedir. Bu yeni yöntemin sunulmasının ardından, opsiyon fiyatlama modellerini geliştirmek amacıyla, önerilen model üzerine makine öğrenmesi modelleri, özellikle LSTM ağları uygulanmaktadır. Son olarak, üçüncü bölüm, Riske Maruz Değer (VaR) tahmininde LSTM modellerinin kullanımını araştırmaktadır. Bu bölüm, önerilen metodolojinin finansal riske maruz değerin tahmin edilmesindeki etkinliğini vurgulamaktadır. Bu üç bölüm, finansal tahminleme ve risk modelleme literatürüne katkı sağlayarak, hem geleneksel hem de makine öğrenmesi tabanlı yöntemlerin çok yönlülüğünü göstermektedir.