Bir Makine Öğrenimi Uygulaması: G7 Ülkelerinde Finansal Kriz Tahminleme

Basit Öğe Kaydı
dc.authoridMert Sarıtaş, Merve / 0009-0009-4549-1679
dc.contributor.authorMert Sarıtaş, Merve
dc.contributor.authorUral, Mert
dc.date.accessioned2026-02-03T12:00:08Z
dc.date.available2026-02-03T12:00:08Z
dc.date.issued2025
dc.departmentÇanakkale Onsekiz Mart Üniversitesi
dc.description.abstractBu çalışma, sistemik bankacılık krizlerini tahmin etmede makine öğrenmesi yöntemlerinin etkinliğini, özellikle karmaşık ve doğrusal olmayan örüntüleri yakalama yeteneğiyle öne çıkan XGBoost algoritmasını kullanarak araştırmaktadır. 1870-2020 dönemi için G7 ülkelerine ait finansal ve makroekonomik veriler kullanılarak sistemik bankacılık kriz tahmininde XGBoost tabanlı bir model geliştirilmiştir. Ayrıca, modelin 'kara kutu' doğasını aşarak karar alma süreçlerini derinlemesine anlamlandırmak amacıyla SHAP (SHapley Additive exPlanations) yöntemleri uygulanarak model sonuçları arasındaki nedensel ilişkiler analiz edilmiş, böylece tahmin edici değişkenler ile kriz riski arasındaki nedensel ilişkiler şeffaf bir şekilde analiz edilmiştir. Bulgular, XGBoost'un yüksek tahmin performansı sergileyerek uygulayıcılar ve politika yapıcılar için kriz riskini değerlendirmede yeni olanaklar sunduğunu göstermektedir. Ek olarak SHAP değerleri, tahmin edici değişkenler ile kriz riski arasındaki karmaşık ilişkileri ortaya çıkararak makine öğrenimi modellerinin şeffaflığını ve hesap verebilirliğini önemli ölçüde artırmaktadır. Bu yaklaşım, finansal krizlerin temel ekonomik itici güçlerini belirleme konusunda sağlam ve güvenilir bir analitik altyapı sunarak finansal kriz tahmininde makine öğrenmesi yöntemlerinin potansiyelini vurgulamaktadır.
dc.description.abstractThis study investigates the effectiveness of machine learning methods in predicting systemic banking crises, particularly using the XGBoost algorithm, which stands out for its ability to capture complex and non-linear patterns. A XGBoost-based model was developed to predict systemic banking crises using financial and macroeconomic data from G7 countries for the period 1870-2020. Additionally, SHAP (SHapley Additive exPlanations) methods were applied to analyze the causal relationships between model results, thereby overcoming the model's black box nature and providing a deeper understanding of decision-making processes. This allowed fora transparent analysis of the causal relationships between predictive variables and crisis risk. The findings demonstrate that XGBoost exhibits high predictive performance, offering new opportunities for practitioners and policymakers in assessing crisis risk. Additionally, SHAP values significantly enhance the transparency and accountability of machine learning models by revealing the complex relationships between predictive variables and crisis risk. This approach provides a robust and reliable analytical framework for identifying the fundamental economic drivers of financial crises, highlighting the potential of machine learning methods in financial crisis prediction.
dc.identifier.doi10.30784/epfad.1643262
dc.identifier.endpage804
dc.identifier.issn2587-151X
dc.identifier.issue2
dc.identifier.startpage781
dc.identifier.trdizinid1327558
dc.identifier.urihttps://doi.org/10.30784/epfad.1643262
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1327558
dc.identifier.urihttps://hdl.handle.net/20.500.12428/34527
dc.identifier.volume10
dc.identifier.wosWOS:001540970900016
dc.identifier.wosqualityQ4
dc.indekslendigikaynakWeb of Science
dc.indekslendigikaynakTR-Dizin
dc.language.isotr
dc.publisherEconomic And Financial Research Assoc - Efad
dc.relation.ispartofEkonomi Politika & Finans Araştırmaları Dergisi
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_WOS_20260130
dc.subjectFinansal Krizler
dc.subjectFinancial Crises
dc.subjectMakine Öğrenimi
dc.subjectMachine Learning
dc.subjectXGBoost
dc.subjectSHAP Değeri
dc.subjectSHAP Value
dc.subjectTahminleme
dc.titleBir Makine Öğrenimi Uygulaması: G7 Ülkelerinde Finansal Kriz Tahminleme
dc.title.alternativeA Machine Learning Approach: Financial Crisis Forecasting in G7 Countries
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Merve Mert Saritas_Makale.pdf
Boyut:
1.53 MB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

WoS İndeksli Yayınlar Koleksiyonu
SBF-İktisat Bölümü Koleksiyonu
TR-Dizin İndeksli Yayınlar Koleksiyonu