Identifying and Forecasting of Financial Bubbles

Öz

The forecasting of financial bubbles has been recognised as an important research topic in the applied finance literature. The objective of this study is to identify and predict financial bubbles in the BIST 100, BIST Bank, and BIST Industrials indices over the period 2002M01-2024M06 by combining econometric and machine learning methods. Accordingly, the Generalised Supremum Augmented Dickey-Fuller (GSADF) test is first used to identify bubble periods. This test provides a more robust method for detecting bubbles by taking into account structural breaks and volatility changes in time series. Subsequently, the Random Forest Algorithm, a powerful machine learning method, is used to establish a predictive model for bubble occurrences by establishing correlations with a set of macroeconomic indicators. Moreover, the Random Forest algorithm determines the relative importance of financial and macroeconomic factors that influence the probability of bubble formation. Empirical findings from the analysis highlight that broad money, exchange rates, CPI, FED interest rate, and Composite Leading Indicators Index are determinants of price bubble formation in BIST 100, BIST Bank, and BIST Industrials indices in Turkey. Accordingly, it shows the importance of effective use of monetary policy and macroprudential measures to mitigate bubble risks and ensure financial stability. It also shows that machine learning methods have significant potential for early detection of financial bubbles and management of market risks. The evaluation of model performance reveals a high degree of predictive accuracy, reinforcing the efficacy of the proposed hybrid approach as a viable alternative in the realm of financial bubble forecasting.

Anahtar Kelimeler

• GSADF
• Financial Bubbles
• Machine Learning Algorithms
• Random Forest Algorithm
• Early Warning

Finansal Baloncukların Tespiti ve Tahminlenmesi

Öz

Finansal balonların öngörülmesi, uygulamalı finans literatüründe önemli bir araştırma konusu olarak kabul görmektedir. Bu çalışmanın amacı, 2002M01-2024M06 dönemi boyunca BİST 100, BİST Banka ve BİST Sınai endeksindeki finansal balonları ekonometrik ve makine öğrenimi yöntemlerini birleştirerek tespit etmek ve öngörmektir. Bu doğrultuda, ilk olarak balon dönemlerinin tespitinde Genelleştirilmiş Supremum Artırılmış Dickey-Fuller (GSADF) testi kullanılmıştır. Bu test, zaman serilerindeki yapısal kırılmaları ve volatilite değişimlerini dikkate alarak balonların tespitinde daha güçlü bir yöntem sunmaktadır. İkinci olarak, balon oluşumunu makroekonomik göstergelerle ilişkilendirerek tahmin etmek için Rastgele Orman Ağaçları (Random Forest Algorithm) yöntemi kullanılmıştır. Rastgele Orman (Random Forest) algoritması ile balon oluşum olasılığını etkileyen finansal ve makroekonomik faktörlerin göreceli önemi belirlenmiştir. Analiz sonuçları, Türkiye’de BİST 100, BİST Banka ve BİST Sınai endeksinde fiyat balonlarının oluşumunda para arzı, döviz kuru, tüketici fiyat endeksi, FED faiz oranı, Bileşik Öncü Göstergeler Endeksinin belirleyici olduğunu göstermektedir. Bu doğrultuda, balon risklerini azaltmak ve finansal istikrarı sağlamak için para politikası ve makro ihtiyati tedbirlerin etkin kullanımının önemini ortaya koymaktadır. Aynı zamanda makine öğrenmesi yöntemlerinin finansal balonların erken tespiti ve piyasa risklerinin yönetimi açısından önemli bir potansiyel taşıdığını göstermektedir. Modelin performansını değerlendiren sonuçlar, önerilen yaklaşımın yüksek tahmin gücüne sahip olduğunu ve finansal balonların öngörülmesinde etkili bir alternatif olabileceğini göstermektedir.

Anahtar Kelimeler

• GSADF
• Finansal Baloncuklar
• Makine Öğrenimi Algoritmaları
• Rastgele Orman Ağaçları
• Erken Uyarı

Kaynakça

1. Aka, K. (2020). Seçilmiş makroekonomik göstergelerin döviz kuru üzerinde etkisi: Türkiye ekonomisi üzerine bir uygulama. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 14(1), 99-117.
2. Akkaya, M. (2018). Borsa İstanbul hisse senedi getirilerinde balon oluşumu üzerine bir uygulama. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi.
3. Astill, S., Harvey, D. I., Leybourne, S. J., ve Taylor, A. R. (2017). Tests for an end-of-sample bubble in financial time series. Econometric Reviews, 36(6-9), 651-666.
4. Başoğlu Kabran, F., ve Ünlü, K. D. (2021). A two-step machine learning approach to predict S&P 500 bubbles. Journal of Applied Statistics, 48(13-15), 2776-2794.
5. Breiman, L. (2001). Random forests. Machine learning, 45, 5-32.
6. Breiman, L., Friedman, J. H., Olshen, R. A., ve Stone, C. J. (1984). Classification and regression trees. Wadsworth and Brooks, Monterey, CA.
7. Brunnermeier, M. K. (2016). Bubbles. In Banking Crises: Perspectives from The New Palgrave Dictionary (pp. 28-36). London: Palgrave Macmillan UK. https://doi.org/10.1057/9781137553799_5.
8. Case, K. E., ve Shiller, R. J. (2003). Is there a bubble in the housing market?. Brookings papers on economic activity, 2003(2), 299-362.

9. Caspi, I. (2017). Rtadf: Testing for bubbles with EViews. Journal of Statistical Software, 81, 1-16. https://doi.org/10.18637/jss.v081.c01
10. Chang, T., Aye, G. C., ve Gupta, R. (2014). Testing for multiple bubbles in the BRICS stock markets. University of Pretoria Department of Economics Working Paper Series, 7.
11. Çağlayan Akay, E. (2020). Ekonometride büyük veri ve makine öğrenmesi: Temel kavramlar. AVESİS. https://avesis.marmara.edu.tr/yayin/609c108f-c897-4877-a16c-cddb401d46f5/ekonometride-buyuk-veri-ve-makine-ogrenmesi-temel-kavramlar
12. Deperlioğlu, Ö., ve Köse, U. (2024). Python ile makine öğrenmesi. Ankara: Seçkin Yayıncılık,
13. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189-1232. https://www.jstor.org/stable/2699986
14. Gilles, C., & LeRoy, S. F. (1992). Asset price bubbles. The New Palgrave Dictionary of Money and Finance. Macmillan Reference, London.
15. Hennequin, M., ve Hommes, C. (2023). Managing bubbles in experimental asset markets with monetary policy. Journal of Money Credit and Banking, 56(2-3), 429-454. https://doi.org/10.1111/jmcb.13050
16. Hoque, K., ve Aljamaan, H. (2021). Impact of hyperparameter tuning on machine learning models in stock price forecasting. IEEE Access, 9, 163815-163830. https://doi.org/10.1109/access.2021.3134138
17. James, G., Witten, D., Hastie, T., ve Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: Springer.
18. Ji, M., Dou, Z., Li, H., ve Wang, M. (2021). Multi-characteristic product price research based on gsadf-bp model. IEEE Access, 9, 166870-166885. https://doi.org/10.1109/access.2021.3132726
19. Koç Ustalı, N., Tosun, N., ve Tosun, Ö. (2021). Makine öğrenmesi teknikleri ile hisse senedi fiyat tahmini. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(1), 1-16. https://doi.org/10.17153/oguiibf.636017
20. Korkmaz, Ö., Erer, D., ve Erer, E. (2016). Alternatif yatırım araçlarında ortaya çıkan balonlar Türkiye hisse senedi piyasasını etkiliyor mu? BİST 100 üzerine bir uygulama. BDDK Bankacılık ve Finansal Piyasalar, 10(2), 29-61.
21. Lancaster University, Vasilopoulos, K., Pavlidis, E., Lancaster University, Martínez-García, E., ve Federal Reserve Bank of Dallas. (2021). exuber: Recursive Right-Tailed Unit Root Testing with R. Federal Reserve Bank of Dallas, Globalization Institute Working Papers, 2020(383). https://doi.org/10.24149/gwp383r1
22. Liu, C.-F., Yeh, C.-Y., ve Lee, S.-J. (2012). Application of type-2 neuro-fuzzy modeling in stock price prediction. Applied Soft Computing, 12(4), 1348-1358. https://doi.org/10.1016/j.asoc.2011.11.028
23. Metz, C. E. (1978). Basic principles of ROC analysis. Seminars in Nuclear Medicine, 8(4), 283-298. https://doi.org/10.1016/S0001-2998(78)80014-2
24. Nikou, M., Mansourfar, G., ve Bagherzadeh, J. (2019). Stock price prediction using deep learning algorithm and its comparison with machine learning algorithms. Intelligent Systems in Accounting Finance & Management, 26(4), 164-174. https://doi.org/10.1002/isaf.1459
25. O’Brien, M., ve Wosser, M. (2018). An Early Warning System for Systemic Banking Crises: A Robust Model Specification. Central Bank of Ireland Research Technical Paper, 9.
26. Phillips, P. C. B., ve Shi, S. (2020). Real time monitoring of asset markets: Bubbles and crises. In Handbook of statistics (Vol. 42, pp. 61-80). Elsevier.
27. Phillips, P. C. B., Shi, S., ve Yu, J. (2015a). Testing for multiple bubbles: Historical episodes of exuberance and collapse in the S&P 500. International Economic Review, 56(4), 1043-1078. https://doi.org/10.1111/iere.12132
28. Rouf, N., Malik, M., Arif, T., Sharma, S., Singh, S., Aich, S., ve Kim, H. (2021). Stock market prediction using machine learning techniques: A decade survey on methodologies, recent developments, and future directions. Electronics, 10(21), 2717. https://doi.org/10.3390/electronics10212717
29. Sağlam Bezgin, M., ve Başar, M. (2020). The research of asset price bubble at Borsa Istanbul and financial crisis relationship. Anadolu University Journal of Social Sciences, 20(2), 143-156.
30. Santoni, G. J. (1987). The great bull markets 1924-29 and 1982-87: Speculative bubbles or economic fundamentals. Federal Reserve Bank of St. Louis Review, 69(9), 16-29.
31. Shi, S. P., Phillips, P. C., ve Yu, J. (2011). Specification sensitivities in right-tailed unit root testing for financial bubbles. Hong Kong Institute for Monetary Research Working Paper, 17.
32. Stiglitz, J. E. (1990). Symposium on bubbles. Journal of Economic Perspectives, 4(2), 13-18.
33. Tran, K. L., Le, H. A., Lieu, C. P., ve Nguyen, D. T. (2023). Machine learning to forecast financial bubbles in stock markets: Evidence from Vietnam. International Journal of Financial Studies, 11(4), 133. https://doi.org/10.3390/ijfs11040133
34. Uğuz, S. (2019). Makine öğrenmesi teorik yönleri ve Python uygulamaları ile bir yapay zekâ ekolü. Ankara: Nobel Yayıncılık.
35. Ural, M. (2022). Varlık fiyatlarında spekülatif fiyat baloncuklarının sağ kuyruklu ADF yöntemiyle analizi. İzmir İktisat Dergisi, 37(1), 189-205. https://doi.org/10.24988/ije.910996
36. Ünal, S. (2021). Makro ekonomik faktörler ile borsa istanbul hisse senedi endekslerinin getirileri arasındaki ilişki. Pamukkale University Journal of Social Sciences Institute/Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (47).
37. Zeren, F., ve Yılancı, V. (2019). Are there multiple bubbles in the stock markets? Further evidence from selected countries. Ekonomika, 98(1), 81-95. https://doi.org/10.15388/ekon.2019.1.5