Makroekonomik Temellerle Döviz Kuru Tahmini için Yorumlanabilir Makine Öğrenimi

İçindekiler

1. Giriş

Finansal sistemlerin karmaşıklığı, doğrusal olmaması ve sık yapısal kırılmaları nedeniyle döviz kurlarını tahmin etmek oldukça zordur. Geleneksel ekonometrik modeller genellikle bu dinamikleri yakalamakta ve tahminlerine ilişkin şeffaf açıklamalar sunmakta zorlanır. Bu çalışma, yorumlanabilir makine öğrenimi (YMÖ) çerçevesinde Kanada–Amerikan doları (CAD/USD) döviz kuru için temellere dayalı bir model geliştirerek bu boşluğu ele alıyor. Birincil hedef, yalnızca döviz kurunu doğru bir şekilde tahmin etmek değil, aynı zamanda "kara kutuyu açarak" makroekonomik değişkenler ile tahmin arasındaki ilişkileri açıklamak ve böylece ekonomistler ve politika yapıcılar için güveni ve uygulanabilir içgörüleri artırmaktır.

Araştırma, Kanada'nın önemli bir emtia ihracatçısı olmasından ilham alıyor; 2019'da ham petrol toplam ihracatının %14,1'ini oluşturuyordu ve ABD'nin en büyük tedarikçisi konumundaydı. Bu durum, emtia fiyatları (özellikle petrol) ile CAD/USD kuru arasında varsayılan güçlü bir bağlantı yaratıyor ve çalışma bunu nicelendirmeyi ve açıklamayı amaçlıyor.

2. Metodoloji ve Çerçeve

2.1 Yorumlanabilir Makine Öğrenimi Yaklaşımı

Temel metodoloji, karmaşık, doğrusal olmayan ilişkileri modelleyebilen gelişmiş makine öğrenimi modellerini (örn., Gradient Boosting Machines, Random Forests) kullanmayı içerir. Bu modelleri yorumlamak için çalışma, sonradan yorumlanabilirlik tekniklerini, özellikle de SHAP (SHapley Additive exPlanations) değerlerini kullanır. İşbirlikçi oyun teorisine dayanan SHAP değerleri, her bir özelliğin (makroekonomik değişken) belirli bir tahmine katkısını nicelendirerek hem küresel hem de yerel yorumlanabilirlik sağlar.

2.2 Model Mimarisi ve Özellik Seçimi

Model, CAD/USD kurunu etkilediği varsayılan geniş bir makroekonomik temel yelpazesini içerir. Temel değişkenler şunlardır:

• Emtia Fiyatları: Ham petrol fiyatı (WTI/Brent), altın fiyatı.
• Finansal Göstergeler: S&P/TSX Bileşik Endeksi (Kanada borsası), faiz oranı farkları (Kanada vs. ABD).
• Ekonomik Temeller: GSYİH büyüme farkları, ticaret dengesi, enflasyon oranları.

Çalışma, geleneksel tek değişkenli analizlerde genellikle göz ardı edilen bu değişkenler arasındaki doğrusal olmama ve çoklu doğrusal bağlantı zorluklarını açıkça ele alır.

3. Ampirik Analiz ve Sonuçlar

3.1 Temel Değişken Önem Derecesi

Yorumlanabilirlik analizi, özellik önem derecesinin net bir hiyerarşisini ortaya koymaktadır:

1. Ham Petrol Fiyatı: CAD/USD dinamiklerinin en önemli belirleyicisi. Katkısı zamana bağlı olarak değişir; küresel enerji piyasalarındaki büyük olaylara ve Kanada'nın petrol sektöründeki evrime yanıt olarak hem işaret hem de büyüklük açısından değişir.
2. Altın Fiyatı: İkinci en önemli değişken; Kanada'nın önemli bir altın üreticisi olmasını ve altının güvenli liman varlık rolünü yansıtır.
3. TSX Hisse Senedi Endeksi: Üçüncü temel itici güç; Kanada ekonomisiyle ilgili daha geniş yatırımcı duyarlılığını ve sermaye akışlarını temsil eder.

3.2 Model İyileştirme için Ablasyon Çalışması

Bu araştırmanın yenilikçi bir yönü, yorumlanabilirlik çıktılarından yararlanan bir ablasyon çalışması kullanılmasıdır. SHAP aracılığıyla en önemli özellikler belirlendikten sonra, yazarlar yorumlanan katkılarına dayanarak özellikleri sistematik olarak kaldırarak veya ekleyerek modelleri yeniden eğitirler. Bu süreç, modeli iyileştirerek, en ilgili sinyallere odaklanarak ve daha az önemli veya gereksiz değişkenlerden gelen gürültüyü azaltarak tahmin doğruluğunu artırır.

3.3 Zamana Bağlı Etkiler ve Olay Analizi

SHAP analizi, özellik katkılarının zaman içinde nasıl evrildiğinin görselleştirilmesine olanak tanır. Örneğin, ham petrol fiyatlarının CAD/USD kuru üzerindeki etkisinin, yüksek petrol fiyatı oynaklığı dönemlerinde (örn., 2014-2015 petrol fiyatı çöküşü, jeopolitik gerilimler) yoğunlaştığı bulunmuştur. Bu, ekonomik teori ile uyumludur ve ilişkideki yapısal kırılmalara dair ampirik, model destekli kanıt sağlar.

4. Teknik Uygulama

4.1 Matematiksel Formülasyon

Tahmin modeli şu şekilde temsil edilebilir: $\hat{y} = f(X)$, burada $\hat{y}$ tahmin edilen döviz kuru getirisidir, $X$ makroekonomik özelliklerin vektörüdür ve $f(\cdot)$ karmaşık ML modelidir. Her bir $i$ özelliği için SHAP değerleri $\phi_i$, $f(x)$ tahmininin temel beklenen değer $E[f(X)]$'den sapmasını açıklar:

$f(x) = E[f(X)] + \sum_{i=1}^{M} \phi_i$

Burada $\sum_{i=1}^{M} \phi_i = f(x) - E[f(X)]$. SHAP değeri $\phi_i$ şu şekilde hesaplanır:

$\phi_i(f, x) = \sum_{S \subseteq M \setminus \{i\}} \frac{|S|! (M - |S| - 1)!}{M!} [f_x(S \cup \{i\}) - f_x(S)]$

Bu, tahmin farkının tüm olası kombinasyonlara dayalı olarak her bir özelliğe adil bir şekilde atfedilmesini sağlar.

4.2 Analiz Çerçevesi Örneği

Senaryo: 2022 Q4 için CAD/USD tahmininin analizi.

Çerçeve Adımları:

1. Veri Alımı: Seçilen tüm özellikler için zaman serisi verilerini topla (petrol, altın, TSX, faiz oranları vb.).
2. Model Tahmini: Özellik vektörünü eğitilmiş ML modeline girerek $\hat{y}$ tahminini al.
3. SHAP Açıklaması: Bu tahmin örneği için SHAP değerlerini hesapla.
4. Yorumlama: Çıktı şunu gösterir: Petrol: +0.015 (güçlü pozitif katkı), Altın: -0.005 (hafif negatif), TSX: +0.002 (pozitif). Bu, modelin daha güçlü bir CAD tahmininin öncelikle yüksek petrol fiyatları tarafından, hafifçe düşük altın fiyatlarıyla dengelendiğini gösterir.
5. Ablasyon Kontrolü: Altın olmadan yeniden eğitilmiş bir model, ikincil rolünü doğrulayarak minimum doğruluk kaybı gösterebilirken, petrolü kaldırmak performansı ciddi şekilde düşürür.

5. Tartışma ve Çıkarımlar

5.1 Politika Yapıcılar için Temel İçgörüler

Çalışma, uygulanabilir istihbarat sağlar: Kanada'daki para ve maliye politikası, ham petrol fiyatı dinamiklerinin kesinlikle farkında olmalıdır. İhracat tabanını çeşitlendirme çabaları, döviz kuru oynaklığını azaltabilir. Modelin kendisi bir izleme aracı olarak hizmet edebilir; burada temel emtialar için SHAP değerlerindeki keskin değişimler, potansiyel yaklaşan döviz baskısı sinyali verir.

5.2 Güçlü ve Zayıf Yönler

Güçlü Yönler: Yüksek tahmin gücünü açıklanabilirlikle başarılı bir şekilde bütünleştirir; ekonomik sezgiyi veriye dayalı kanıtlarla doğrular; yorumlama odaklı ablasyon yoluyla yararlı bir geri bildirim döngüsü sunar.

Zayıf Yönler: SHAP gibi yorumlanabilirlik yöntemleri yaklaşıklıklardır; modelin performansı seçilen temellerin kalitesine ve ilgisine bağlıdır; tarihsel verilerde bulunmayan "kara kuğu" olaylarını veya ani rejim değişikliklerini tam olarak yakalayamayabilir.

6. Gelecekteki Uygulamalar ve Yönelimler

Çerçeve oldukça genellenebilirdir:

• Diğer Para Çiftleri: Aynı YMÖ yaklaşımını AUD, NOK veya RUB gibi emtia odaklı para birimlerine uygulamak.
• Gerçek Zamanlı Politika Panosu: Merkez bankası analistleri için SHAP değerlerini gerçek zamanlı görselleştiren bir pano geliştirmek.
• Alternatif Verilerle Entegrasyon: Haber duyarlılığı, nakliye verileri veya petrol altyapısının uydu görüntülerini tahminleri geliştirmek için dahil etmek.
• Nedensellik Keşfi: Korelasyonun ötesine geçmek için daha resmi nedensel çıkarım analizine bir başlangıç noktası olarak yorumlanabilirlik çıktılarını kullanmak.
• Açıklanabilir Yapay Zeka (XAI) Standartları: Hassas ekonomik politika yapımında YMÖ kullanımı için en iyi uygulamaların geliştirilmesine katkıda bulunmak, Uluslararası Ödemeler Bankası (BIS) gibi kurumlardaki araştırmalarda tartışılan standartlara benzer şekilde.

7. Kaynaklar

1. Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30 (NIPS 2017).
2. Molnar, C. (2022). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. (2. baskı).
3. Bank for International Settlements (BIS). (2020). The rise of AI in finance: a survey. BIS Papers.
4. Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy Economics, 29(3), 390-404.
5. Ferraro, D., Rogoff, K., & Rossi, B. (2015). Can oil prices forecast exchange rates? An empirical analysis of the relationship between commodity prices and exchange rates. Journal of International Money and Finance, 54, 116-141.

8. Özgün Analiz ve Uzman Yorumu