Local currency bond risk premia in emerging markets: Insights fromadvanced machine learning techniques

Yerel para cinsinden tahvil risk primlerinin belirleyicilerini anlamak, gelişmekte olan piyasa yatırımcıları ve politika yapıcıları için çok önemlidir. Bu çalışma, Brezilya, Macaristan, Polonya, Tayland, Güney Afrika ve Türkiye olmak üzere altı gelişmekte olan ülkede yerel para cinsinden tahvil risk primlerinin belirleyicilerini, ileri düzey makine öğrenmesi teknikleri kullanarak incelemektedir. Analizde ilk olarak vadeli faiz oranları, vadeli-spot faiz farkları ve vade primleri gibi getiri eğrisine dayalı değişkenler kullanılmıştır. Daha sonra, enflasyon, zımni döviz (FX) oynaklığı ve makroekonomik göstergeler, tahmin doğruluğu üzerindeki bireysel ve birleşik etkilerini değerlendirmek için dahil edilmiştir. Bulgular, bölgeler arasında önemli farklılıklar ortaya koymaktadır. Brezilya, Macaristan, Polonya ve Tayland'da, özellikle forward oranları ve vade primleri olmak üzere getiri eğrisi değişkenleri yüksek tahmin gücüne sahipken, makroekonomik faktörler ve döviz kuru oynaklığı sınırlı katkı sağlamaktadır. Buna karşın, Türkiye ve Güney Afrika'da enflasyon, makroekonomik göstergeler ve zımni döviz (FX) oynaklığı birincil belirleyiciler olurken, getiri eğrisi değişkenleri tahvil risk primlerini açıklamada yetersiz kalmaktadır. Çalışmada doğrusal regresyon, temel bileşen analizi (PCA), kısmi en küçük kareler (PLS), yapay sinir ağları, rastgele ormanlar, XGBoost ve aşırı rastgele ağaçlar (ERT) dahil olmak üzere çeşitli makine öğrenmesi algoritmaları kullanılmıştır. Ülke bazlı analizler, algoritmaların tahmin performansının ülkeler arasında önemli ölçüde değiştiğini göstermektedir. Macaristan ve Brezilya'da en yüksek doğruluk yapay sinir ağları ile elde edilirken, Türkiye'de en iyi sonuçlar XGBoost ile sağlanmıştır. Polonya'da doğrusal boyut indirgeme yöntemlerinin yapılandırılmış piyasa ortamında etkinliğini ortaya koyan OLS + PCA öne çıkmaktadır. Tayland'da ise yapay sinir ağı ve PCA uygulanan modeller neredeyse eşit başarı göstermektedir. Güney Afrika'da ise en iyi performans aşırı rastgele ağaçlar (ERT) modeliyle elde edilmiştir. Bu araştırma, yerel para cinsinden tahvil risk primlerinin belirleyicilerinde bölgesel farklılıkların önemine dikkat çekerken, farklı veri kaynaklarının ileri düzey makine öğrenmesi teknikleriyle birleştirilmesinin değerini ortaya koymaktadır. Elde edilen bulgular, gelişmekte olan piyasalarda risk değerlendirme çerçevelerini geliştirmek ve stratejik karar alma süreçlerini iyileştirmek isteyen politika yapıcılar, yatırımcılar ve finansal kurumlar için önemli içgörüler sunmaktadır.