Faiz Oranı Tahmini
için Derin Öğrenme

LSTM Modelleri

Faiz oranı tahmini, finansal piyasalarda risk yönetimi, portföy optimizasyonu ve ekonomik politika belirleme açısından kritik öneme sahiptir. Uzun Kısa Vadeli Bellek (LSTM) ağları, bu bağlamda en sık kullanılan derin öğrenme mimarilerinden biridir.

LSTM'ler, geleneksel Yapay Sinir Ağları (YSA) ve diğer makine öğrenmesi modellerine kıyasla, finansal zaman serilerinin doğasında bulunan geçici bağımlılıkları modellemede daha başarılı oldukları için tercih edilmektedir. Örneğin, bir çalışmada, LSTM modellerinin faiz oranı tahmininde Doğrusal Regresyon ve Destek Vektör Makineleri (SVM) gibi modellere kıyasla daha yüksek doğruluk sağladığı gösterilmiştir 198.

Hibrit Modeller

Başka bir araştırma, LSTM'lerin tahmin performansını artırmak için LASSO regresyonu ile özellik seçimi yapan hibrit bir model (LASSO-LSTM) önermiştir 199. Bu model, öncelikle LASSO ile en önemli özellikleri seçmekte, ardından bu seçilen özellikleri kullanarak LSTM ağını eğitmektedir.

Bu yaklaşım, model karmaşıklığını azaltırken aynı zamanda yorumlanabilirliği de artırmayı hedeflemektedir. Ayrıca, LSTM'lerin tahvil getirisi tahmini gibi diğer finansal tahmin problemlerinde de etkinliği araştırılmıştır 196.

CNN ve Ensemble Yaklaşımları

Finansal zaman serisi tahmini genelinde, Evrişimli Sinir Ağları (CNN) ve LSTM ağları gibi modeller yaygın olarak kullanılmaktadır. Örneğin, bir çalışmada finansal zaman serisi verilerinin Gramian Açısal Fark Alanı (GADF) görüntülerine dönüştürülüp CNN ile işlendiği veya bu görüntü serilerinin LSTM'ye girdi olarak verildiği yaklaşımlar incelenmiştir 206.

Ayrıca, önceden eğitilmiş bir CNN (ResNet-50) ile öznitelik çıkarımı yapılıp bu özniteliklerin LSTM'ye beslenmesiyle oluşturulan hibrit modelin daha umut verici sonuçlar verdiği belirtilmiştir 206. Bu tür hibrit veya ensemble modeller, farklı model türlerinin güçlü yönlerini birleştirerek daha güçlü tahminciler oluşturmayı amaçlamaktadır.

LSTM vs Geleneksel Modeller

Derin öğrenme modellerinin faiz oranı tahminindeki performansı, genellikle geleneksel istatistiksel modeller ve diğer makine öğrenmesi yöntemleriyle karşılaştırılarak değerlendirilmektedir. Yapılan bir karşılaştırmalı çalışmada, LSTM ağları, Doğrusal Regresyon ve SVM modellerine göre daha düşük hata oranları elde etmiştir 198.

Bu sonuçlar, LSTM'lerin zaman serisi verilerindeki zamansal bağımlılıkları ve doğrusal olmayan ilişkileri modellemedeki üstünlüğünü ortaya koymaktadır.

Ensemble Model Performansı

He vd. (2023) tarafından önerilen ARMA-CNNLSTM ensemble modeli, AB Emisyon Ticaret Sistemi (EU ETS) finansal zaman serisi, Şanghay hisse senedi endeksi ve Bitcoin kapanış fiyatları üzerinde test edilmiştir 208.

Sonuçlar, ARMA-CNNLSTM modelinin RMSE, MAPE (Ortalama Mutlak Yüzde Hata) ve MAE ölçütlerinde diğer bireysel modellere (Rastgele Yürüyüş, ARMA, CNN, LSTM) ve benchmark modellere kıyasla daha düşük hata değerleri elde ettiğini, yani daha yüksek tahmin doğruluğu sağladığını göstermiştir 208.

Ayrıca, Dstat (Yönsel Doğruluk İstatistiği) ölçütünde de daha yüksek değerler alarak yönsel tahmin doğruluğunun da daha iyi olduğunu kanıtlamıştır 208. Bu bulgular, farklı veri özelliklerini (doğrusal ve doğrusal olmayan) modellemek için özel olarak tasarlanmış modellerin bir araya getirilmesinin avantajını ortaya koymaktadır.

LASSO-LSTM Hibrit Modeli

LSTM'lerin tahmin performansını artırmak için LASSO regresyonu ile özellik seçimi yapan hibrit bir model (LASSO-LSTM) önerilmiştir 199. Bu model, öncelikle LASSO ile en önemli özellikleri seçmekte, ardından bu seçilen özellikleri kullanarak LSTM ağını eğitmektedir.

Görüntü Tabanlı CNN Yaklaşımı

Finansal zaman serisi verilerinin Gramian Açısal Fark Alanı (GADF) görüntülerine dönüştürülüp CNN ile işlendiği veya bu görüntü serilerinin LSTM'ye girdi olarak verildiği yaklaşımlar incelenmiştir 206.

Ayrıca, önceden eğitilmiş bir CNN (ResNet-50) ile öznitelik çıkarımı yapılıp bu özniteliklerin LSTM'ye beslenmesiyle oluşturulan hibrit modelin daha umut verici sonuçlar verdiği belirtilmiştir 206.

ARMA-CNNLSTM Ensemble Modeli

ARMA modelinin doğrusal özellikleri yakalama yeteneği ile CNN-LSTM'nin doğrusal olmayan, mekansal-zamansal özellikleri modelleme kapasitesi birleştirilerek ARMA-CNNLSTM gibi ensemble modeller önerilmekte ve bu modellerin tek başına modellere göre daha iyi performans sergilediği iddia edilmektedir 208.

Sosyal Medya Duyarlılık Analizi

Twitter gibi sosyal medya platformlarından elde edilen duygu verilerinin faiz oranı tahmin modellerinin performansını artırmak için kullanılabileceği gösterilmiştir 202, 203.

Bu araştırma, Birleşik Krallık, Türkiye, Çin, Hong Kong ve Meksika için günlük faiz oranı ve döviz kuru verilerini (Ocak 2010 - Ekim 2019) ve altı büyük olaya (örneğin, 2012 ABD seçimleri, Brexit 2016) ilişkin Twitter duygu verilerini içermektedir.

Bu da alternatif veri kaynaklarının tahmin doğruluğuna katkısını vurgulamaktadır.

Çoklu Ekonomik Göstergeler

Ateneo de Manila Üniversitesi'ndeki araştırmacılar, Çok Katmanlı Algılayıcı (MLP) ve Vanilya Üretici Çekişmeli Ağ (VGAN) modellerini kullanarak Filipinler BVAL faiz oranlarını tahmin etmişlerdir 201, 211.

Bu çalışmada, enflasyon, döviz kurları ve kredi temerrüt takasları gibi 16 farklı ekonomik gösterge model girdisi olarak kullanılmış ve hem MLP hem de VGAN modellerinin güvenilir tahminler ürettiği gözlemlenmiştir 211.

VGAN modeli, bir üretici ve bir ayırt edici ağdan oluşan ve daha büyük veri setleriyle karmaşık senaryolarda yüksek doğruluk sağlayabilen bir yapıya sahiptir 211.

Model Yorumlanabilirliği

LSTM'lerin "kara kutu" olma sorununa da ışık tutan çalışmalar bulunmaktadır. Örneğin, LSTM-LagLasso adı verilen bir yöntem, LSTM'nin iç sinyallerinin dışsal ekonomik değişkenlerle regresyonunu içermekte ve böylece modelin iç işleyişinin daha iyi anlaşılmasını sağlamaktadır 196.

Bu çalışmalar, LSTM'lerin içsel durumlarının analiz edilerek modelin nasıl öğrendiğinin anlaşılmaya çalışıldığı "kara kutu" sorununa çözüm arayışlarını göstermektedir.

Dikkat Mekanizmaları ve Transformers

Dikkat (Attention) mekanizmalı modeller, özellikle Transformer tabanlı mimariler, zaman serisi tahmininde giderek daha fazla kullanılmaktadır. Bu modeller, uzun vadeli bağımlılıkları daha iyi yakalayabilme yetenekleri nedeniyle faiz oranı tahmini için de umut vaat etmektedir.

Gelecekte, bu modellerin faiz oranı tahminindeki performansının daha detaylı olarak araştırılması beklenmektedir.

Çoklu Modal Modeller

Çoklu veri kaynaklarını (metin, görüntü, zaman serisi) birleştiren çoklu modal modeller, faiz oranı tahmininde yeni bir araştırma alanı oluşturmaktadır. Bu modeller, hem yapılandırılmış ekonomik verileri hem de yapılandırılmamış haber metinlerini, sosyal medya verilerini ve diğer alternatif veri kaynaklarını birlikte kullanarak daha kapsamlı bir analiz yapmayı hedeflemektedir.

Bu yaklaşım, özellikle belirsiz ekonomik dönemlerde ve beklenmedik olaylar sırasında daha doğru tahminler yapılmasına yardımcı olabilir.