Valuation of fixed income securities and estimation of term structure on international bond market using machine learning techniques

Bu tez çalışması, Türkiye Eurobond piyasası getiri eğrisini ve farklı vadelerdeki bono getirilerini makine öğrenmesi yöntemleri kullanılarak modellenmesine odaklanacaktır. Makine öğrenimi, detaylıca programlanmadan bir veri kümesinin yararlı yapılarını toplamak için istatistiksel öğrenme tekniklerini kullanır. Son yıllarda makine öğrenimi çok daha popüler bir konu haline geldi ve çeşitli alanlarda çok iyi sonuçlar gösterdi, ancak getiri eğrisini modelleme alanında araştırma eksikliği olduğu dikkatimizi çekmekte. Faiz oranlarının vade yapısını modellemek için yapay sinir ağları, derin öğrenme yöntemleri, doğrusal modeller, cezalı doğrusal regresyonlar ve boyutluluk azaltma teknikleri gibi makine öğrenmesi tekniklerini kullandık. Ham data, 2005 ve 2020 yılları arasındaki Turkiye Eurobondları faizlerinden oluşturulmuştur. Aylık ve yıllık getiriler ayrı ayrı tahmin edilmiştir. Ham data kullanılarak önce kuponsuz tahvil getiri eğrisi, sonraısında da ileri vadeli getiriler hesaplanmış ve modellerin bağımlı değişkenleri olarak dahil edilmiştir. Bu değişkenlere makro ekonomik veriler de eklenerek ayrıca tahmin yapılmıştır. Modellerin örneklem dışı performanslarını kıyaslarak incelendiğinde cezalı doğrusal regresyonların yaklaşık 10% R2OOS sağlayarak en başarılı modeller olduğu görülmüştür. Sinir ağları modelleri 3-4% R2OOS ile en başarılı ikinci performansı sergilemiştir. Makro verilerin modellere değişken olarak eklenmesi sonuçları 2-3% iyileştirmiştir. Ayıca, doğrusal ve cezalı doğrusal modeller için yıllık getiri tahminleri aylık getiri tahminlerine göre daha iyi sonuç vermiştir.