Essays on credit swap default market : time series predictions with machine learning

Bu tezde, BRICS (Brezilya, Rusya, Çin, Güney Afrika) ve MINT (Meksika, Endonezya, Türkiye) ülkelerinin kredi temerrüt riski, en yeni yöntemler olan makine öğrenmesi ile tahmin edilmiştir. Bu teknikler arasında Ridge regresyonu, LASSO tahmin edicisi ve tekrarlayan sinir ağları (Elman RNN, NARX, LSTM, GRU) kullanılmıştır. Kullanılan metotların tahmin kuvveti, ortalama mutlak hata, ortalama karekök hatası ve anlamlılık katsayısı R ile karşılaştırılmıştır. Sonuçlar ülke ve kullanılan metot bazında farklılıklar göstermektedir. Kullanılan açıklayıcı değişkenlerin, hesaplanan tahminlere katkıları, SHAP değerleri analiz edilerek açıklanmıştır. Çalışmada 03/01/2012’den 29/11/2019 tarihine kadar olan günlük veri kullanılmıştır. Tahmin edilen değişken, 5 yıl vadeli kontratlı kredi temerrüt risk birimi olarak seçilmiştir. İlk bölümün sonucunda, LASSO tahmin edicisi ile daha yüksek R katsayısı elde edilmiştir. Ancak Ridge regresyonu ile daha düşük ortalama mutlak hata ve ortalama karekök hatası elde edilmiştir. İkinci bölümün sonucunda, Çin haricindeki ülkelerde, NARX tekrarlayan sinir ağı, Elman tekrarlayan sinir ağından daha iyi sonuçlar üretmiştir. Son bölümde ise, Brezilya ve Endonezya için GRU tekniği ile LSTM tekniğinden daha iyi sonuçlar elde edilmiştir. Fakat LSTM, Rusya, Güney Afrika, Meksika ve Türkiye için daha iyi sonuçlar çıkarmıştır. Çin için iki yönteminde sonuçları yakındır. Tahmin modellerinin performansını ülke bazlı kıyaslarsak, sinir ağı en yüksek tahmin kuvvetini Türkiye için ulaşmıştır. Sonuç olarak, derin öğrenme yöntemi olan tekrarlayan sinir ağları, makine öğrenmesi olan Ridge regresyonu ve LASSO tahmin edicisinden daha yüksek doğrulukta tahminler hesaplamıştır.In this dissertation, credit default swap risk premiums of BRICS (Brazil, Russia, China, South Africa) and MINT (Mexico, Indonesia and Turkey) countries are predicted by applying the most recent ground-breaking techniques in machine learning. These techniques include Ridge regression, LASSO estimator and recurrent neural networks, which are Elman’s RNN, NARX, GRU and LSTM. The predictive powers of these methods are compared by the mean absolute error, mean squared error and R-squared and these results differ by country and the type of the state-of-the-art forecaster. The contribution of each feature to the prediction is discussed by analyzing the SHAP values. The daily data is collected from 03/01/2012 and ends on 29/11/2019 to avoid COVID-19 effects on the state of the global economy. CDS risk premium for 5-year maturity contracts is used as an output variable and it is predicted by the selected local variables and global variables. In first chapter, in terms of higher R-squared obtained, LASSO outperforms Ridge regression in all selected countries. However, in terms of lower RMSE and the MAE scores, the lowest values are obtained by ridge regression for all selected countries. In second chapter, in all countries except China, the results of NARX outweigh Elman’s RNN. In third chapter, GRU outperforms LSTM network for Brazil and Indonesia. LSTM network outperforms GRU in Russia, South Africa, Mexico and Turkey. Both networks perform similarly for China. The results of Turkey model reached the highest forecast accuracy among the selected countries. Overall, recurrent neural networks outperform the ridge regression and LASSO estimator