Üretim yönetimi ve finansta yapay öğrenme kullanan veri tabanlı yöntemler

Veri toplama ve analiz teknolojilerindeki yakın zamanlardaki gelişmelerle birlikte, operasyon yönetimine ve finansal planlama sorunlarına yönelik veriye dayalı yaklaşımlar yoğun ilgi görmeye başlamıştır. Özellikle, yapay öğrenimi yöntemleri, optimizasyon problemlerine giderek daha fazla entegre edilmektedir. Bu bütünleşik yaklaşım, geçmiş verilerin kapsamlı çerçevelerde kuralcı çözümlere dönüştürülmesini kolaylaştırmaktadır. Bu tez, verileri eylemlerle ilişkilendirmek ve operasyonel ve finansal karar sistemlerinde hedefleri iyileştirmek için veriye dayalı yöntemler geliştirmeyi amaçlamaktadır. Karmaşık bir karar verme durumunda karar vericililer için sistemi etkileyen bütün olası etkenleri göze alan ve yapay öğrenme tekniklerini kullanan bütünleşik bir öğrenme ve optimizasyon yaklaşımı önermekteyiz. Bu yaklaşımla, yapay sinir ağları ve zaman serisi özelliklerini uyarlamaya dayalı algoritmalar ve veriler arasındaki doğrusal olmayan ilişkileri tahmin edebilen modeller geliştirilmiştir. Tez kapsamında, envanter yönetimi, finansal yatırım ve şirket finansal değerlendirmesi alanlarından üç soruna odaklanılmıştır. Envanter yönetimi bağlamında, sistemin gözlemlenemeyen durumu hakkında ek bilgilerle kısmen açıklanabilen dış etkenlerle bağlantılı talebe karşı en iyi sipariş miktarını belirlemek için entegre bir öğrenme ve optimizasyon problemi ele alınmaktadır. Bu amaçla, çok katmanlı bir sinir ağı kullanarak tahmin, çıkarım ve optimizasyon adımları birleştirilmektedir. Bu bütünleşik yaklaşımın performansını değerlendirmek için, yaklaşımımızdan elde edilen sonuçları, gözlenemeyen faktör bilgisini yok varsayan veya ayrı çıkarım ve optimizasyon adımları kullanan diğer veri tabanlı yöntemlerle karşılaştırdık. Hem kurgusal bir veri seti hem de gözlemlenemeyen bir duruma sahip olabilecek gerçek veriler üzerindeki sayısal örnekler, yaklaşımımızın diğer yöntemlere göre daha iyi performansa sahip olduğunu göstermektedir. Finansal yatırım bağlamında, yapay öğrenmeye dayalı varlık tahsisine yeni bir yaklaşım öneriyoruz. Varlık tahsisi modelleri geçmiş piyasa durumlarını ve varlık getirilerini analiz eder ve yeni gözlemlerin mevcut olduğu yeni bir dönemde en iyi portföy seçimini belirler. Bu tezdeki yaklaşımda ise, önce getiri dağılımını modellemek ve ardından portföy seçimini tahmin etmek yerine, durum değişkenleri doğrudan portföy ağırlıklarıyla ilişkilendirilmektedir. Önerdiğimiz yöntem, belirli bir getiri ve veri dağılımını varsaymadan, sabit sayıda tahmin değişkenine sahip bir modeli verilere istatistiksel olarak uydurmadan ve herhangi bir parametre tahmin etmeden durum değişkenleri ve portföy ağırlıkları arasındaki doğrusal olmayan ilişkileri yakalamaktadır. Hisse senedi ve tahvil endekslerinden oluşan bir portföyün veriye bağlı sonuçları, önerilen yaklaşımın geleneksel yöntemlere kıyasla daha verimli bir sonuç ürettiğini ve farklı örnek dönemlerde farklı amaç fonksiyonlarının kullanılmasında da performansını sürdürdüğünü göstermektedir. Tezde incelenen son projede, ilk halka arzlar (IPO'lar) için fiyatlandırma etkinliğini ve piyasa öncesi verimsizlik seviyesini tahmin etmek için stokastik sınır analizine ve yapay öğrenmeye dayalı doğrusal olmayan bir yaklaşım öneriyoruz. Bu yaklaşım, halka arz gününden önce mevcut olan bilgileri kullanarak ve literatürde belgelenen piyasa öncesi kasıtlı düşük fiyatlandırma için herhangi bir dağılım varsayımı olmaksızın halka arz fiyatlandırma etkinliğini tahmin etmemizi sağlamaktadır. Önerilen yaklaşımı ABD halka arz piyasasında uyguladık ve firmaların değerinin yalnızca birkaç temel faktörün halka arzların fiyatlandırılmasını ve düşük fiyatlandırmasını etkilediğini gösterdik.