Getiri eğrilerinin modellenmesi ve tahmini: Parametrik ve makine öğrenmesi tekniklerinin karşılaştırmalı analizi

Abstract

Finansal piyasalarda getiri eğrilerinin doğru bir şekilde modellenmesi ve tahmin edilmesi, ekonomik analiz ve politika yapımı açısından büyük bir öneme sahiptir. Getiri eğrileri, faiz oranlarının vade yapısını ve piyasa beklentilerini yansıtarak ekonomik aktivitelerin öngörülmesinde ve finansal karar alma süreçlerinde kritik bir rol oynar. Bu bağlamda, getiri eğrilerinin tahmin edilmesi, yatırımcılar, merkez bankaları ve diğer ekonomik aktörler için değerli bir bilgi kaynağıdır. Bu doktora tezi, Türkiye, Amerika Birleşik Devletleri (ABD) ve Avrupa Merkez Bankası (AMB) tahvil piyasalarında getiri eğrilerinin modellenmesi ve tahmini üzerine odaklanmaktadır. Araştırmada Dinamik Nelson-Siegel Modeli (DL), Fonksiyonel Temel Bileşenler Analizi (FPCA) ve Dinamik Gauss Süreçleri (DGP) olmak üzere üç farklı yöntem incelenmiştir. Modellerin performansı, geniş bir veri seti kullanılarak karşılaştırılmış ve tahmin doğrulukları detaylı bir şekilde analiz edilmiştir. DL modeli, kısa vadeli tahminlerde yüksek doğruluk oranına sahip olmasına rağmen uzun vadeli tahminlerde hata oranlarının arttığı gözlemlenmiştir. FPCA, özellikle AMB verileri üzerinde düşük hata oranları ile öne çıkmış ve karmaşık piyasa yapılarında istikrarlı bir performans sergilemiştir. DGP modeli ise hem Türkiye hem de uluslararası piyasalarda en başarılı sonuçları elde etmiş ve özellikle ABD verileri üzerinde düşük RMSE değerleri ile dikkat çekmiştir. Türkiye piyasasında, yüksek volatilitenin tahmin performansını olumsuz etkilemesine rağmen, DGP modeli diğer yöntemlere kıyasla daha üstün bir performans göstermiştir. Çalışma, yalnızca getiriler ve vadeler arasındaki ilişkiyi modellemekle kalmamış, aynı zamanda bu modellerin ekonomik ve finansal politikalara olan etkilerini de değerlendirmiştir. Bulgular, merkez bankalarının politika yapım süreçlerinde ve yatırımcıların risk yönetiminde önemli katkılar sağlamaktadır. Özellikle, tahvil piyasalarının dinamiklerinin anlaşılmasına yönelik metodolojik öneriler ve piyasa koşullarına uygun model seçimi hakkında pratik rehberlik sunulmuştur. Bu araştırma hem parametrik yaklaşımların hem de makine öğrenimi yöntemlerinin tahmin performansını değerlendirmiş ve gelecekteki ekonomik tahmin çalışmaları için teorik ve pratik anlamda değerli içgörüler sağlamıştır.

Accurately modeling and forecasting yield curves in financial markets is vital for economic analysis and policymaking. Yield curves, reflecting the term structure of interest rates and market expectations, play a crucial role in predicting economic activities and guiding financial decision-making processes. Yield curve forecasts, therefore, are invaluable resources for investors, central banks, and other economic agents. This doctoral dissertation focuses on the modeling and forecasting of yield curves in the bond markets of Turkey, the United States (US), and the European Central Bank (ECB). The study evaluates three distinct methods: the Dynamic Nelson-Siegel Model (DL), Functional Principal Component Analysis (FPCA), and Dynamic Gaussian Processes (DGP), comparing their performances using a broad dataset and rigorously analyzing their forecasting accuracies. The DL model excelled in short-term predictions but displayed increasing error rates in long-term forecasts. The FPCA model demonstrated stable and low error rates, particularly with ECB data, highlighting its efficacy in complex market structures. The DGP model achieved the best results across all markets, especially excelling with low RMSE values in US datasets. Despite the high volatility in the Turkish market, which generally reduces prediction accuracy, the DGP model outperformed the other methods significantly. Beyond modeling the relationship between yields and maturities, the study also explored the implications of these models on economic and financial policies. The findings contribute to central bank policy formation and investor risk management by offering methodological recommendations and practical guidance on selecting suitable models for different market conditions. This research provides valuable theoretical and practical insights for future economic forecasting studies by evaluating the forecasting performance of both parametric approaches and machine learning techniques.