Learning and Predicting Asset Management

Abstract

Instant exchange rate offers to customers are the most critical issues in the banking industry. It is very important for both the bank and the customer that the offers given are at the appropriate level. In this study, approximately 8 months of data were used and estimation models were designed for the estimation of the currency offers given to the customer. In total, the study was conducted over 18 different currencies. In the study, dependent variables were determined as customer segment, instant exchange rate, day information, time information and volatility value. The independent variable is the exchange rate margin. The training was carried out with daily data and using Random Forest (RF), Gradiant Boosting Machine (GBM), Artificial Neural Network (ANN), (Deep Neural Network)DNN, (Convolutional Neural Network)CNN and Elman Neural Network algorithms. Random search algorithm was used to find the hyperparameters of the algorithms and the results of the model training were compared and the models with the lowest error values were selected to be used in the estimation phase. Mean Square Error (MSE) and Mean Absolute Error (MAE) error functions were used to measure performance. It has been observed that artificial neural networks and convolutional neural network algorithms give better results than other algorithms according to the trainings carried out on three different data model and six different artificial intelligence algorithms. Estimation time for 18 currencies is about 3s.

Özet

Müşterilere yapılan anlık kur teklifleri, bankacılık sektöründeki en kritik konular arasında yer almaktadır. Verilen tekliflerin uygun seviyede olması hem banka hem de müşteri açısından oldukça önemlidir. Bu çalışmada, müşteriye verilen kur tekliflerinin tahmini için yaklaşık 8 aylık veri kullanılmış ve tahmin modelleri tasarlanmıştır. Toplamda 18 farklı kur üzerinden çalışma yürütülmüştür. Çalışmada bağımlı değişkenler müşteri segmenti, anlık kur değeri, gün bilgisi, saat bilgisi ve volatilite değeri olarak belirlenmiştir. Bağımsız değişken ise kur marjıdır. Eğitimler günlük verilerle ve Rastgele Ağaçlar (RF), Gradyan Arttırma Makinesi (GBM), Yapay Sinir Ağları (ANN), Derin Sinir Ağları (DNN), Evrişimli Sinir Ağları (CNN) ve Elman Sinir Ağı algoritmaları kullanılarak gerçekleştirilmiştir. Algoritmaların hiper-parametrelerini bulmak için rastgele arama algoritması kullanılmış ve model eğitimlerinin sonuçları karşılaştırılarak en düşük hata değerine sahip modeller tahmin aşamasında kullanılmak üzere seçilmiştir. Başarım ölçümü için Ortalama Kare Hata (MSE) ve Ortalama Mutlak Hata (MAE) hata fonksiyonları kullanılmıştır. Üç farklı model üzerinden gerçekleştirilen eğitimlere göre yapay sinir ağları ve evrişimli sinir ağları algoritmalarının diğer algoritmalara göre daha iyi sonuçlar verdiği gözlemlenmiştir. 18 kur için tahmin süresi yaklaşık 3s'dir.