Varlık tahsisi uygulaması geliştirmek için makine öğrenmesi kullanımı

Bu çalışma sırasında, faktörü takip eden portföy (factor mimicking portfolio (FMP)) oluşturulması sırasında makine öğrenmesinden yararlanılmış ve oluşturulan bu portföy bir uygulama içerisinde kullanılmıştır. Çalışmamızda hedef makro ekonomik faktör enflasyon olarak belirlendi. FMP oluşturulması sürecinde doğrusal regresyon modeli LASSO ve Ridge regresyon modellerinden daha iyi performans göstermiştir. Portföydeki hisselerin yönetimini gerçekleştirmek için ve bu portföyü uygulamalı olarak kullanmak için, gelecek enflasyon değerleri Random Forest makine öğrenmesi yöntemi kullanılarak tahmin edildi. Random Forest modelinin tahmin doğruluğu 1-dönem gecikme (1-period lag) ve basit hareketli ortalama (Simple Moving Average) yöntemlerinden daha iyi olmakla birlikte, Kaydırmalı ARIMA modeli daha az tahmin hatasına sahip. Buna rağmen, Random Forest yönteminin tahmin ettiği enflasyon değerleri ile yönetilen portföy, Kaydırmalı ARIMA'nın tahminleriyle yönetilen portföyden daha fazla getiri getirmekle birlikte hem daha yüksek Sharpe ve Sortino rasyolarına sahip hem de daha düşük en yüksek düşme noktasına sahip. Son olarak, bir yatırım stratejisi takip ederek sermayenin %95'i eşit ağırlıklı portföye ve %5'i oluşturduğumuz portföye yatırıldı. Piyasa karşılaştırmalı değerlendirme noktası olarak eşit ağırlıklı portföy seçildi ve önerilen portföyün piyasadan daha iyi performans verdiği gösterildi.