Forecasting the Turkish yield curve using deep learning and econometric models: A comparative analysis

Bu tez, Turkiye Hazine tahvili getiri e ¨ grisinin hem geleneksel zaman serisi modelleri hem ˘ de derin o¨grenme yaklas¸ ˘ ımlarıyla modellenmesini ve tahmin edilmesini incelemektedir. C¸ alıs¸mada; Otoregresif (AR), Random Walk (RW), sabit ve zamanla degis¸en s ˘ on¨ umleme ¨ parametrelerine sahip Dinamik Nelson-Siegel (DLNS) modeli ile Uzun Kısa Sureli Bellek ¨ (LSTM) aglar ˘ ı gibi modellerin tahmin performansı degerlendirilmektedir. Analizde, 3 ay- ˘ dan 10 yıla kadar vadeleri kapsayan ve Temmuz 2012 ile S¸ ubat 2025 tarihleri arasındaki gunl ¨ uk s ¨ ıfır kupon getiri verileri kullanılmıs¸tır. Modellerin tahmin performansı, farklı vadeler ic¸in dıs¸ orneklem genis¸leyen pencere y ¨ ontemiyle de ¨ gerlendirilmis¸tir. Tahmin ˘ dogrulu ˘ gu ic¸in temel ˘ olc¸ ¨ ut olarak Karek ¨ ok Ortalama Hata (RMSE) kullan ¨ ılmıs¸, mod eller arası performans farklarının istatistiksel olarak anlamlı olup olmadıg˘ını test etmek amacıyla Diebold-Mariano testi uygulanmıs¸tır. Ampirik bulgular, AR ve RW gibi basit modellerin kısa vadede bas¸arılı sonuc¸lar verdigini ancak tahmin ufku uzad ˘ ıkc¸a perfor manslarının belirgin s¸ekilde azaldıg˘ını gostermektedir. Buna kars¸ ¨ ılık, ozellikle Nelson- ¨ Siegel c¸erc¸evesinden turetilmis¸ latent fakt ¨ orlerle e ¨ gitilen LSTM modelleri, orta ve uzun ˘ vadeli tahminlerde ust ¨ un genelleme performans ¨ ı sergilemis¸tir. Ayrıca, zamanla degis¸en ˘ λ parametresine sahip DLNS modeli de uzun vadede referans modellere kıyasla daha bas¸arılı sonuc¸lar uretmis¸tir. Bu bulgular, yap ¨ ılandırılmıs¸ faktor dinamiklerinin ve derin ¨ o¨grenme tekniklerinin, getiri e ˘ grisi gibi karmas¸ ˘ ık nansal zaman serilerinin tahmininde saglad ˘ ıg˘ı onemli katk ¨ ıyı ortaya koymaktadır.