Vol. 10 No. 4 (2022): Business & Management Studies: An International Journal
Articles

Data mining application with machine learning algorithms to manage interest rate risk

PDF
  • Enes KOÇOĞLU,
  • Prof.Dr. Filiz ERSÖZ
Enes KOÇOĞLU
Branch Manager, Türkiye Emlak Katılım Bankası A.Ş, Trabzon, Turkiye
Bio
Prof.Dr. Filiz ERSÖZ
Prof. Dr., Department of Industrial Engineering, Karabük University, Karabük, Türkiye
Bio
DOI: https://doi.org/10.15295/bmij.v10i4.2162

Published 2022-12-25

Keywords

  • Data Mining, Decision Tree. Machine Learning, KNN, ANN, Random Forest, SVM
  • Veri Madenciliği, Karar Ağaçları, Makine Öğrenimi, KNN, YSA, SVM

How to Cite

KOÇOĞLU, E., & ERSÖZ, F. (2022). Data mining application with machine learning algorithms to manage interest rate risk. Business & Management Studies: An International Journal, 10(4), 1545–1564. https://doi.org/10.15295/bmij.v10i4.2162

Copyright (c) 2022 Enes KOÇOĞLU- Filiz ERSÖZ

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Abstract

In trade, the risks taken may increase the expected income; however, they may also cause large amounts of losses as well. Banks transfer the capital and the deposits they collect from their clients to the individuals or institutions in need of profit, taking certain risks into account. One of the important risks taken in this process of capital transfer is the market's change in interest or profit share rates. If the bank transfers the deposit collected with a certain commitment to the market at a lower rate, it will make a loss. Models for predicting future interest or profit share rates gain importance for preventing this situation. The aim of this study is to determine which variables will be taken into account for the loan interest rate that banks will offer to their customers during the lending process, and to create a machine learning model that can predict the loan interest rate that the bank will offer to its customers by using these variables. Multiple Linear Regression analysis was performed to demonstrate the relationship between the variables selected based on the literature review, expert opinions, and the interest rate. In order to facilitate decision-makers in practice, Random Forests, Decision Trees, K-Nearest Neighbours (KNN), Artificial Neural Networks (ANN), and Support Vector Machine (SVM) algorithms from machine learning algorithms were compared by using the prediction model. Accuracy Rate, Cohen's Kappa, Precision, Sensitivity, and F-Measure measurements were used to compare the algorithms used in the study. According to the analysis results, it was observed that the Random Forest algorithm was more successful on the first model consisting of weekly data. The Decision Tree algorithm succeeded more on the second model consisting of monthly data prediction performance. In the model consisting of weekly data, USD Selling Price, Stock Index (BIST100), and Central Bank Gold Reserve from the Multiple Linear Regression variables were found significant in affecting the interest rate.

PDF

Downloads

Download data is not yet available.

References

  1. Akar, Ö., & Güngör, O. (2012). Rastgele Orman Algoritması Kullanılarak Çok Bantlı Görüntülerin Sınıflandırılması. Journal of Geodesy and Geoinformation, 1(2), 139–146.
  2. Akın, T., & Dağlıoğlu, C. (2021). Tüketim, Belirsizlik ve Borçlanma kısıtı Üçlemi: Türkiye Örneği. Journal of Yaşar University, 16(612020), 414–433.
  3. Aksoy, B. (2021). Pay Senedi Fiyat Yönünün Makine Öğrenmesi Yöntemleri ile Tahmini: Borsa İstanbul Örneği. Business and Economics Research Journal, 12(1), 89–110.
  4. Aksu, H., & Emsen, Ö. S. (2019). Enflasyon, Faiz ve Döviz Kuru İlişkileri: Türkiye İçin ARDL Analizleri İle Asimetrik Eş - Bütünleşme Araştırması. İktisadi ve İdari Bilimler Dergisi, 33(1), 69–90.
  5. Altaş, D., & Gülpınar, V. (2012). Karar Ağaçları ve Yapay Sinir Ağlarının Sınıflandırma Performanslarının Karşılaştırılması: Avrupa Birliği Örneği. Trakya Üniversitesi Sosyal Bilimler Dergisi, 14(1), 1–22.
  6. Altunkaynak, A., Başakın, E. E., & Kartal, E. (2020). Dalgacık K-EN Yakın Komşuluk Yöntemi İle Hava Kirliliği Tahmini. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25(3), 1547–1556.
  7. Apergis, N., Cooray, A., Khraief, N., & Apergis, I. (2019). Do Gold Prices Respond to Real Interest Rates? Evidence From the Bayesian Markov Switching VECM Model. Journal of International Financial Markets, Institutions and Money, 60, 134–148.
  8. Assefa, T. A., Esqueda, O. A., & Varella, A. (2017). Stock Returns and Interest Rates Around the World: A Panel Data Approach. Journal of Economics and Business, 89, 20–35.
  9. Atalay, M., & Çelik, E. (2017). Büyük Veri Analizinde Yapay Zeka ve Makine Öğrenmesi Uygulamaları. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155–172.
  10. Bal, H., Erdoğan, E., & Palandökenlier, B. (2019). Enflasyon ve Faiz Oranı Arasındaki Nedensellik İlişkisi: Seçilmiş Ülkeler İçin Ampirik Bir Analiz. Internatıonal Conference On Eurasıan Economıes, 17–24.
  11. Bezerra, P. C. S., & Albuquerque, P. H. M. (2017). Volatility Forecasting Via SVR–GARCH With Mixture of Gaussian Kernels. Computational Management Science, 14(2), 179–196.
  12. Breiman, L. E. O. (2001). Random Forests. Kluwer Academic Publishers, 5–32.
  13. Çavdar, Ş. Ç., & Aydın, A. D. (2018). Finans Alanında Yapay Zeka ve Ekonometrik Uygulamalar. Seçkin Yayıncılık.
  14. Çavuşoğlu, Ü., & Kaçar, S. (2019). Anormal Trafik Tespiti için Veri Madenciliği Algoritmalarının Performans Analizi. Academic Platform Journal of Engineering and Science, 7(2), 205–216.
  15. Chen, R., Wang, Z., Yang, L., Ng, C. T., & Cheng, T. C. E. (2022). A Study on Operational Risk and Credit Portfolio Risk Estimation Using Data Analytics*. Decision Sciences, 53(1), 84–123.
  16. Chien, C., & Chen, L. (2008). Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry. Expert Systems with Applications, 34(1), 280–290.
  17. Çınaroğlu, E., & Avcı, T. (2020). THY Hisse Senedi Değerinin Yapay Sinir Ağları İle Kestirimi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34(1), 1–20.
  18. Çolak, O., & Karahan, Ö. (2017). Enflasyon Hedeflemeli̇ Reji̇m Altinda Türki̇ye Ekonomi̇si̇nde Fai̇z Orani Ve Dövi̇z Kuru İli̇şki̇si̇. International Journal of Management Economics and Business, 13(ICMEB17), 983–991.
  19. Cortes, C., & Vapnık, V. (1995). Support-Vector Networks. 297, 273–297.
  20. Cutler, A., Cutler, D., & Stevens, J. (2012). Random Forests. In: Ensemble Machine Learning (Springer).
  21. Diaz, D., Theodoulidis, B., & Dupouy, C. (2016). Modelling and Forecasting Interest Rates During Stages of the Economic Cycle : A Knowledge-Discovery Approach. Expert Systems With Applications, 44, 245–264.
  22. Dilki, G., & Başar, Ö. D. (2020). İşletmelerin İflas Tahmininde K- EN Yakın Komşu Algoritması Üzerinden Uzaklık Ölçütlerinin Karşılaştırılması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 19(38), 224–233.
  23. Dolgun, M. Ö., Özdemir, T. G., & Oğuz, D. (2009). Veri madenciliğinde yapısal olmayan verinin analizi: Metin ve web madenciliği. İstatistikçiler Dergisi, 2, 48–58.
  24. Elmas, Ç. (2021). Yapay Zeka Uygulamaları (Seçkin Yay). Seçkin Yayıncılık.
  25. Erkişi, K. (2018). Para Politikasının Döviz Kuru Üzerindeki Etkileri: Türkiye İçin Bir Uzun Dönem Analizi. Eurosıa Journal Of Socıal Scıence & Humanıtıes Internetional Indexed & Refereed, 5, 54–64.
  26. Ersöz, F. (2019a). Data Mınıng And Text Mınıng Wıth Bıg Data: Revıew Of Dıfferences. International Journal of Recent Advances in Multidisciplinary Research, 06(01), 4391–4395.
  27. Ersöz, F. (2019b). Veri Madenciliği Teknikleri ve Uygulamaları. Seçkin Yayıncılık.
  28. Fılız, E., Karaboğa, H. A., & Akogul, S. (2017). BIST-50 Endeksi Değişim Değerlerinin Sınıflandırılmasında Makine Öğrenmesi Yöntemleri ve. Ç.Ü. Sosyal Bilimler Enstitüsü Dergisi, 26(1), 231–241.
  29. Göçken, M., Özçalıcı, M., & Boru, A. (2016). Integrating Metaheuristics and Artificial Neural Networks for Improved Stock Price Prediction. Expert Systems With Applications, 44, 320–331.
  30. Greuning, H. van, & Iqbal, Z. (2008). Risk Analysis for Islamic Banks. World Bank.
  31. Güler, S., & Özçalık, M. (2018). Hisse Getirisi, Faiz Oranı ve Dolar Kuru İlişkisi: BIST’te Bir Uygulama. Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, 16(4), 291–306.
  32. Guo, Y., Zhang, Z., & Tang, F. (2021). Feature Selection With Kernelized Multi-Class Support Vector Machine. Pattern Recognition, 117, 107988.
  33. Gupta, R., & Kotzé, K. (2015). The Role of Oil Prices in the Forecasts of South African Interest Rates : A Bayesian Approach. University of Pretoria Department of Economics Working Paper Series, 31, 1–16.
  34. Güriş, B., & İçen, H. (2019). Türkiye ’de Döviz Kuru Faiz ve Risk Arasındaki İlişki: Doğrusal Olmayan Nedensellik Analizi. 2nd International Congress On New Horizons In Education And Social Sciences (ICES-2019) Proceedings, 592–597.
  35. Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2019). Literature Review: Machine Learning Techniques Applied to Financial Market Prediction. Expert Systems with Applications, 124, 226–251.
  36. Hu, L. Y., Huang, M. W., Ke, S. W., & Tsai, C. F. (2016). The Distance Function Effect on K‑Nearest Neighbor Classification For Medical Datasets. SpringerPlus, 5(1304), 1–9.
  37. Huang, Z., Chen, H., Hsu, C., Chen, W., & Wu, S. (2004). Credit Rating Analysis with Support Vector Machines and Neural Networks: A Market Comparative Study. Decision Support Systems, 37(4), 543–558.
  38. Imran, A. Al, Badrudduza, A. S. ., & Rifat, R. I. (2019). Educational Performance Analytics of Undergraduate Business Students. International Journal of Modern Education and Computer Science, 11(7), 44–53.
  39. İscan, H., & Kaygısız, A. D. (2019). Türkiye’de Döviz Kuru, Enflasyon ve Faiz Oranı İlişkisi: 2009-2017 Uygulaması. Iğdır Üniverstesi Sosyal Bilimler Dergisi, 17(1), 581–604.
  40. Kara, Y., Acar Boyacioglu, M., & Baykan, Ö. K. (2011). Predicting Direction of Stock Price Index Movement Using Artificial Neural Networks and Support Vector Machines: The Sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38(5), 5311–5319.
  41. Karahan, Ö., & Gürbüz, Y. E. (2016). Türkiye’de Bi̇reysel Banka Kredi̇leri̇ ve Enflasyon İli̇şki̇si̇. Uluslararası Yönetim İktisat ve İşletme Dergisi, ICMEB17 Öz, 410–417.
  42. Karakul, A. K. (2020). Yapay Sinir Ağları İle BIST-100 Endeks Değerinin Tahmin Edilmesi. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(2), 497–509.
  43. Kavcıoğlu, Ş. (2019). Kurumsal Kredi Skorlamasında Klasik Yöntemlerle Yapay Sinir Ağı Karşılaştırması. İstanbul İktisat Dergisi, 69(2), 207–245.
  44. Kavzoğlu, T., & Çölkesen, İ. (2010). Karar Ağaçları İle Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği. Harita Teknolojileri Elektronik Dergisi, 2(1), 36–45.
  45. Khan, M., Ding, Q., & Perrizo, W. (2015). K-Nearest Neighbor Classification on Spatial Data Streams Using P-Trees. Proceedings of the 6th Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining.
  46. Kim, H., & Shi, W. (2018). The Determinants of the Benchmark Interest Rates in China. Journal of Policy Modeling, 40(2), 395–417.
  47. Kılınç, D., Borandağ, E., Yücalar, F., Tunalı, V., Şimşek, M., & Özçift, A. (2016). KNN Algoritması ve R Dili ile Metin Madenciliği Kullanılarak Bilimsel Makale Tasnifi. Marmara Fen Bilimleri Dergisi, 3, 89–94.
  48. Koçak, H. (2020). Çalışanların Örgütsel Bağlılıklarının CART Karar Ağacı Algoritması İle Belirlenmesi. Ulusal İktisadi ve İdari Bilimler Dergisi, 6, 0–3.
  49. Koçoğlu, E., & Ersöz, F. (2021). Data Mınıng Applıcatıon For Decısıon Optımızatıon At Rısk. Internatıonal Journal Of 3D Prıntıng Technologıes and Dıgıtal Industry, 5(2), 195–209.
  50. Kunze, F., Wegener, C., Bizer, K., & Spiwoks, M. (2017). Forecasting European interest rates in times of financial crisis – What insights do we get from international survey forecasts ? Journal of International Financial Markets, Institutions & Money, 48(C), 192–205.
  51. Li, X., Si, D., & Ge, X. (2021). China’s Interest Rate Pass-Through After the Interest Rate Liberalization: Evidence from a Nonlinear Autoregressive Distributed Lag Model. International Review of Economics and Finance, 73, 257–274.
  52. Maehashi, K., & Shintani, M. (2020). Macroeconomic Forecasting Using Factor Models and Machine Learning: An Application to Japan. Journal of The Japanese and International Economies, 58, 101104.
  53. Nakagawa, S., Hochin, T., Nomiya, H., Nakanishi, H., & Shoji, M. (2021). Prediction of Unusual Plasma Discharge by Using Support Vector Machine. Fusion Engineering and Design, 167, 112360.
  54. Nuray, S. E., Gençdal, H. B., & Arama, Z. A. (2021). Zeminlerin Kıvam ve Kompaksiyon Özelliklerinin Tahmininde Rastgele Orman Regresyonu Yönteminin Uygulanabilirliği. Mühendislik Bilimleri ve Tasarım Dergisi, 9(1), 265–281.
  55. Oh, K. J., & Han, I. (2000). Using Change-Point Detection to Support Artificial Neural Networks for Interest Rates Forecasting. Expert Systems with Applications, 19(2), 105–115.
  56. Pal, M., & Mather, P. M. (2003). An Assessment of The Effectiveness of Decision Tree Methods For Land Cover Classification. Remote Sensing of Environment, 86(4), 554–565.
  57. Salisu, A. A., & Vinh, X. (2021). The Behavior of Exchange Rate and Stock Returns in High and Low Interest Rate Environments. International Review of Economics and Finance, 74, 138–149.
  58. Şentürk, F., & Fındık, H. (2014). Rasyonel Karar Alan Ekonomi Bi̇ri̇mi̇n Ri̇sk Altinda Verdi̇ği̇ Kararlara Davranişsal Yaklaşim: Kahneman-Tversky Beklenti Teori̇si Perspekti̇fi̇nden Eleşti̇rel Bi̇r Bakiş. In Öneri Dergisi (Vol. 11, Issue 42).
  59. Stolyarov, D., & Tesar, L. L. (2019). Interest Rate Trends in a Global Context. Michigan Retirement Research Center Research Paper, 402, 1–60.
  60. Taş, A. İ., Gülüm, P., & Tulum, G. (2021). Finansal Piyasalarda Hisse Fiyatlarının Derin Öğrenme ve Yapay Sinir Ağı Yöntemleri ile Tahmin Edilmesi; S&P 500 Endeksi Örneği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9, 446–460.
  61. Tay, F. E. H., & Cao, L. (2001). Application of Support Vector Machines in Fınancial Time Series Forecasting. Omega, 29, 309–317.
  62. Tekin, B. (2016). Firmaların Fi̇nansman Kararlari : Davranışsal Perspektif. 169–198.
  63. Telçeken, H., & Değirmen, S. (2019). Enflasyon ve Kredi Faizleri Arasındaki Uzun Dönemli İlişkinin Fisher Hipotezi Çerçevesinde Değerlendirilmesi: Türkiye Uygulaması. Istanbul Business Research, 47(2), 154–182.
  64. Thakur, G. S. M., Bhattacharya, R., & Mondal, S. S. (2016). Artificial Neural Network Based Model for Forecasting of Inflation in India. Fuzzy Information and Engineering, 8(1), 87–100.
  65. Tursoy, T. (2019). The Interaction Between Stock Prices and Interest Rates in Turkey: Empirical Evidence from ARDL Bounds Test Cointegration. Financial Innovation, 5(7).
  66. Whited, T. M., Wu, Y., & Xiao, K. (2021). Low Interest Rates and Risk Incentives for Banks with Market Power. Journal of Monetary Economics, 121(C), 155–174.
  67. Yenice, S., & Yenisu, E. (2019). Türkiye’de Döviz Kuru, Enflasyon ve Faiz Oranlarının Etkileşimi. Journal of Chemical Information and Modeling, 22(4), 1521–1546.
  68. Yiğiter, Ş. Y., Sari, S. S., & Başakin, E. E. (2017). Hi̇sse Senedi̇ Kapaniş Fi̇yatlarinin Yapay Si̇ni̇r Ağlari ve Bulanik Mantik Çikarim Si̇stemleri̇ i̇le Tahmi̇n Edi̇lmesi̇. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(1), 1–22.
  69. Yıldırım, S., & Sarı, S. (2020). Döviz Kuru ve Enflasyonun Faiz Oranı Üzerindeki Etkisinin NARDL Yaklaşımı ile İncelenmesi: Türkiye Ekonomisi için Bir Örnek. Balkan ve Yakın Doğu Sosyal Bilimler Dergisi, 06(02), 147–161.
  70. Yong, C., & Dingming, L. (2019). How Does Government Spending News Affect Interest Rates ? Evidence From the United States. Journal of Economic Dynamics and Control, 108, 103747.
  71. Zhang, N., Lin, A., & Shang, P. (2017). Multidimensional k-Nearest Neighbor Model Based on EEMD For Financial Time Series Forecasting. Physica A: Statistical Mechanics and Its Applications, 477, 161–173.
  72. Zhong, X., & Enke, D. (2017). Forecasting Daily Stock Market Return Using Dimensionality Reduction. Expert Systems With Applications, 67, 126–139.