İçindekiler
1. Giriş
Finansal sistemlerin karmaşıklığı, doğrusal olmaması ve sık yapısal kırılmaları nedeniyle döviz kurlarını tahmin etmek oldukça zordur. Geleneksel ekonometrik modeller genellikle bu zorluklarla başa çıkmakta zorlanır ve şeffaflıktan yoksundur. Bu çalışma, Kanada-Amerikan doları (CAD/USD) döviz kuru için yorumlanabilir makine öğrenimi (ML) çerçevesi içinde temellere dayalı bir model geliştirerek bu boşluğu ele alıyor. Birincil hedef, yalnızca doğru tahminler elde etmek değil, aynı zamanda modelin kararları için teoriyle uyumlu açıklamalar sağlayarak politika yapıcılar ve ekonomistler için güven ve uygulanabilir içgörüleri artırmaktır.
Araştırma, Kanada'nın özellikle ham petrol olmak üzere önemli bir emtia ihracatçısı olmasından kaynaklanmaktadır; ham petrol 2019'da toplam ihracatın %14,1'ini oluşturmuştur. Emtia fiyatlarının (özellikle petrol) CAD ile olan dinamik ilişkisi iyi belgelenmiştir ancak karmaşıktır ve genellikle doğrusal modellerle yakalanması zor olan doğrusal olmayan ve zamanla değişen özellikler sergiler.
2. Metodoloji ve Çerçeve
2.1 Yorumlanabilir Makine Öğrenimi Yaklaşımı
Temel metodoloji, tahmine dayalı makine öğrenimi modellerini (örn., Gradient Boosting, Random Forests veya Sinir Ağları) sonradan yorumlanabilirlik teknikleriyle birleştirir. "Kara kutu" modellerin aksine, bu yaklaşım, her bir makroekonomik değişkenin bireysel tahminlere katkısını ölçmek için SHAP (SHapley Additive exPlanations) ve LIME (Local Interpretable Model-agnostic Explanations) gibi araçları kullanır. Bu, belirli zaman noktalarında döviz kurundaki hareketleri hangi faktörlerin yönlendirdiğini ayrıntılı bir şekilde anlamayı sağlar.
2.2 Veri ve Değişkenler
Model, CAD/USD kurunu etkilediği varsayılan bir dizi makroekonomik ve finansal değişkeni içerir. Temel değişkenler şunlardır:
- Emtia Fiyatları: Ham petrol fiyatı (WTI/Brent), altın fiyatı.
- Finansal Göstergeler: S&P/TSX Bileşik Endeksi (Kanada hisse senedi piyasası), ABD hisse senedi endeksleri, faiz oranı farkları (Kanada vs. ABD).
- Makroekonomik Temeller: GSYİH büyüme farkları, enflasyon oranları, ticaret dengesi verileri.
- Piyasa Duyarlılığı ve Risk: VIX endeksi (oynaklık).
Veriler muhtemelen merkez bankalarından (Kanada Bankası, Federal Rezerv), istatistik kurumlarından (Statistics Canada) ve finansal piyasa veritabanlarından temin edilmiştir.
2.3 Model Mimarisi ve Eğitimi
Çalışma, hedef değişkenin CAD/USD döviz kurunun gelecekteki değişimi veya seviyesi olduğu denetimli bir öğrenme düzeni kullanır. Özellik seti, makroekonomik değişkenlerin gecikmeli değerlerinden oluşur. Veri seti, sağlam örneklem dışı değerlendirme sağlamak için eğitim, doğrulama ve test setlerine ayrılır. Modeli iyileştirmek ve tahmin doğruluğunu artırmak için yorumlanabilirlik çıktılarına dayalı olarak değişkenlerin sistematik olarak kaldırıldığı bir ablasyon çalışması yürütülür.
3. Deneysel Sonuçlar ve Analiz
3.1 Tahmin Performansı
Yorumlanabilir ML modeli, doğrusal regresyon, vektör otoregresyon (VAR) veya rastgele yürüyüş modelleri gibi geleneksel kıyaslama modellerine kıyasla üstün tahmin doğruluğu sergilemektedir. İstatistiksel olarak anlamlı iyileştirmeler gösteren temel performans metrikleri (örn., Kök Ortalama Kare Hatası - RMSE, Ortalama Mutlak Hata - MAE, Yönsel Doğruluk) raporlanmıştır.
Model Performansı Özeti
Kıyaslama (Rastgele Yürüyüş): RMSE = X.XX
Önerilen Yorumlanabilir ML Modeli: RMSE = Y.YY (İyileşme: ZZ%)
3.2 Özellik Önemi ve Yorumlanabilirlik
Yorumlanabilirlik analizi, itici faktörlerin net bir hiyerarşisini ortaya koymaktadır:
- Ham Petrol Fiyatı: En önemli belirleyici. Katkısı zamanla değişkendir, işaret ve büyüklükteki değişimler emtia piyasalarındaki önemli olaylarla (örn., 2014 petrol fiyatı çöküşü, OPEC+ kararları, Kanada'daki boru hattı gelişmeleri) uyumludur.
- Altın Fiyatı: İkinci en önemli değişken, bir sığınak ve emtia para birimi etkisi olarak hareket eder.
- S&P/TSX Bileşik Endeksi: Üçüncü temel itici güç, Kanada şirketler sektörünün sağlığını ve sermaye akışlarını yansıtır.
Grafik Açıklaması: Bir SHAP özet grafiği bu hiyerarşiyi görsel olarak gösterecektir. Her nokta bir veri örneğini (zaman dilimi) temsil eder. X ekseni SHAP değerini (model çıktısı üzerindeki etki) gösterir ve Y ekseni küresel öneme göre sıralanmış özellikleri listeler. Renk, özellik değerini gösterir (kırmızı=yüksek, mavi=düşük). Ham petrol için, hem pozitif hem de negatif SHAP değerleri boyunca yayılan noktalar, zamanla değişen etkisini kanıtlayacaktır.
3.3 Ablasyon Çalışması Bulguları
Ablasyon çalışması, yorumlanabilirlik sonuçlarını doğrulamaktadır. En önemli özelliklerin (petrol, altın, TSX) sırayla kaldırılması, model doğruluğunda en dik düşüşe yol açar ve bunların kritik rollerini doğrular. Tersine, daha az önemli değişkenlerin kaldırılması ihmal edilebilir bir etkiye sahiptir, bu da daha sade ve verimli bir nihai model oluşturmayı sağlar.
4. Temel İçgörüler ve Tartışma
Çalışma, döviz kuru tahmini için ML'in "kara kutusunu" başarıyla aydınlatmaktadır. Temel içgörü, ham petrolün CAD/USD kurunun baskın, doğrusal olmayan ve duruma bağlı itici gücü olduğudur, bu da Kanada'nın ekonomik yapısıyla tutarlıdır. Yorumlanabilirlik çerçevesi, nedensel görünümlü anlatılar sağlar—örneğin, petrol fiyatı artışlarının CAD'yi ne zaman güçlendirdiğini (risk alma, talep odaklı yükselişler sırasında) ve ne zaman güçlendirmediğini (emtia etkilerini bastıran küresel riskten kaçınma olayları sırasında) gösterir. Bu, ML tahminleri ile ekonomik teori arasındaki boşluğu kapatır.
5. Teknik Detaylar ve Matematiksel Çerçeve
Tahmin modeli şu şekilde temsil edilebilir: $\hat{y}_t = f(\mathbf{x}_{t-k}) + \epsilon_t$, burada $\hat{y}_t$ tahmin edilen döviz kuru getirisidir, $f(\cdot)$ ML modelidir (örn., bir gradient boosting fonksiyonu), $\mathbf{x}_{t-k}$ gecikmeli makroekonomik özelliklerin bir vektörüdür ve $\epsilon_t$ hata terimidir.
Yorumlanabilirlik, işbirlikçi oyun teorisine dayanan SHAP değerleri kullanılarak sağlanır. $i$ özelliği için SHAP değeri $\phi_i$ şu şekilde hesaplanır: $$\phi_i = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|! (|N|-|S|-1)!}{|N|!} [f(S \cup \{i\}) - f(S)]$$ burada $N$ tüm özelliklerin kümesidir, $S$, $i$ hariç özelliklerin bir alt kümesidir ve $f(S)$, $S$ özellik alt kümesini kullanan model tahminidir. Bu, tahmin farkının her bir özelliğe adil bir şekilde dağıtılmasını sağlar.
6. Analiz Çerçevesi: Örnek Vaka Çalışması
Senaryo: 2020 Q1'deki CAD/USD değer kaybının analizi.
- Girdi: 2019 sonu/Q4 2019'dan özellik seti: Düşen WTI petrol fiyatları (COVID-19 talep şoku), yükselen VIX (riskten kaçınma), düşen TSX.
- Model Tahmini: Önemli CAD zayıflığı tahmin eder.
- Yorumlanabilirlik Çıktısı (SHAP):
- Ham Petrol: Yüksek Negatif Katkı (-50 pip). Düşük petrol fiyatı değeri tahmini güçlü bir şekilde aşağı iter.
- VIX: Negatif Katkı (-20 pip). Yüksek riskten kaçınma emtia para birimlerine zarar verir.
- TSX: Negatif Katkı (-15 pip).
- Altın: Küçük Pozitif Katkı (+5 pip). Sığınak rolü hafif bir telafi sağlar.
- İçgörü: Modelin tahmini, şeffaf bir şekilde öncelikle petrol fiyatı çöküşüne atfedilir, daha geniş riskten kaçınma duyarlılığıyla bağlamsallaştırılır ve gözlemlenen piyasa anlatısıyla mükemmel şekilde uyum sağlar.
7. Gelecek Uygulamalar ve Araştırma Yönleri
- Gerçek Zamanlı Politika Panosu: Merkez bankaları, para birimine olan temel itici güç katkılarını gerçek zamanlı olarak izleyen panolara bu tür yorumlanabilir modelleri entegre edebilir, müdahale kararlarını bilgilendirebilir.
- Çoklu Para Birimi Çerçevesi: Metodolojinin bir dizi emtia (AUD, NOK, RUB) ve büyük (EUR, JPY) para birimine genişletilerek küresel makro risk modeli geliştirilmesi.
- Alternatif Verilerle Entegrasyon: Nakliye maliyetleri, petrol stoklarının uydu görüntüleri veya haber duyarlılık puanlarının dahil edilerek özellik setlerinin geliştirilmesi.
- Nedensel Keşif: Korelasyonun ötesine geçmek ve daha güçlü nedensel bağlar kurmak için nedensel çıkarım teknikleriyle (örn., Peter-Clark algoritması) birleştirme.
- Açıklanabilir Yapay Zeka (XAI) Standartları: Bu çalışma, MIT-IBM Watson AI Lab gibi kurumların araştırmalarında savunulduğu gibi, kritik alanlarda güvenilir ve denetlenebilir AI sistemleri ihtiyacını vurgulayan finans alanındaki büyüyen XAI alanına katkıda bulunmaktadır.
8. Kaynaklar
- Neghaba, D. P., Cevik, M., & Wahab, M. I. M. (2023). Explaining Exchange Rate Forecasts with Macroeconomic Fundamentals Using Interpretive Machine Learning. arXiv preprint arXiv:2303.16149.
- Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
- Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy economics, 29(3), 390-404.
- Bank of Canada. (2022). Monetary Policy Report.
- U.S. Energy Information Administration. (2022). U.S. Imports from Canada of Crude Oil.
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?" Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining.
9. Analist Perspektifi: Temel İçgörü, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir İçgörüler
Temel İçgörü: Bu makale, kantitatif finansmanda güçlü ancak genellikle gözden kaçan bir gerçeği sunuyor: Kanada gibi kaynak odaklı ekonomiler için döviz kuru karmaşık bir gizem değildir—diğer gürültülü değişkenlerin örtüsüne sarılmış tek bir emtiaya yapılan kaldıraçlı bir bahistir. Yazarlar, yorumlanabilir ML'yi yeni bir itici güç bulmak için değil, geleneksel ekonometrinin eşleşemediği bir hassasiyetle ham petrolün doğrusal olmayan, rejime bağlı hakimiyetini ölçmek ve doğrulamak için kullanıyor. Bu sadece tahmin değil; sayılarla ekonomik hikaye anlatımıdır.
Mantıksal Akış: Argüman ikna edici derecede basittir: 1) Kaotik FX piyasalarında doğrusal modellerin tahmin başarısızlığını kabul et. 2) Doğruluğu artırmak için ML'nin örüntü tanıma gücünü kullan. 3) "Kara kutuyu" açmak ve "Model aslında ne öğrendi?" diye sormak için SHAP/LIME kullan. 4) Modelin zekasının öncelikle en bariz temel hikayeye—petrol bağımlılığına—eşlendiğini keşfet. Zarafet, klasik ekonomik sezgiyi değiştirmek değil, güçlendirmek için son teknolojiyi kullanmaktadır.
Güçlü ve Zayıf Yönler: En büyük gücü, pratik hibrit yaklaşımıdır, ML'nin tahmin gücünü politika yapıcıların talep ettiği açıklayıcı gereklilikle birleştirir. Ablasyon çalışması özellikle sağlam bir dokunuştur. Ancak, zayıf yönü potansiyel nedensellik yanılsamasıdır. SHAP, modelin çerçevesi içindeki korelasyonları açıklar, gerçek nedenselliği değil. Model yanıltıcı bir korelasyon öğrenirse (örn., dondurma satışları ile CAD arasında), SHAP bunu sadakatle açıklayacaktır. Makale, Judea Pearl'in çalışmalarında öncülük edildiği gibi, itici güçleri yalnızca korelasyonlardan ayırt etmek için nedensel keşif yöntemlerini baştan entegre ederek daha güçlü olabilir.
Uygulanabilir İçgörüler: Fon yöneticileri için: Loonie'yi fazla karmaşıklaştırmayı bırakın. CAD görüşünüzün temelini petrol temelleri üzerine kurun ve bu yorumlanabilir çerçeveyi, bu görüşü ikincil faktörlere (altın, risk duyarlılığı) karşı dinamik olarak ağırlıklandırmak için kullanın. Şirketler için: Senaryo analizi için bu metodolojiyi kullanın—farklı petrol fiyatı yollarını yorumlanmış modelden geçirerek olasılıklı hedging bütçeleri oluşturun. Düzenleyiciler için: Bu, makro-ihtiyati politikada denetlenebilir AI için bir taslaktır. Sistematik risk değerlendirmesi için herhangi bir ML'yi kullanmadan önce, modelin gerçekte neye duyarlı olduğunu anlamak için bu seviyede yorumlanabilirlik talep edin. Gelecek sadece AI destekli tahminler değil; AI ile açıklanan kararlardır.