dc.description.abstract |
ÖZ
Zaman serisi verilerinin tahmini, bir yandan ekonomik eğilim ve koşullardaki benzeri görülmemiş değişiklikler ve diğer yandan eksik bilgiler nedeniyle zorlu bir iştir. Son yıllardaki piyasa oynaklığı, ekonomik ve finansal zaman serisi tahminleri için ciddi endişeler doğurmuştur. Bu nedenle, çeşitli tahmin yöntemleri kullanılırken tahminlerin doğruluğunun değerlendirilmesi ve daha spesifik olarak, uygulamalarda çeşitli sınırlamalara sahip oldukları için regresyon analizi kullanılarak tahmin yapılması gereklidir. Finansal uygulamalar öncelikle geçmiş verilere dayalı olarak gelecekteki olayları tahmin etmeyi içerir. Sinir ağları, bilgisayarların sınırlı insan yardımı ile akıllı kararlar almasına yardımcı olabilir. Ekonomi alanındaki yapay sinir ağları, uzman sistemlere kıyasla belirsizliği daha iyi ele alma yetenekleri nedeniyle son zamanlarda popülerlik kazanmıştır. Bu tez çalışmasında geleneksel tahmin tekniklerinin ve makine öğrenmesine dayalı algoritmaların performansını araştırmak amacıyla ampirik bir çalışma ve analiz gerçekleştirildi.
Çalışmada Türkiye ile Almanya dış ticaretinin (ithalat ve ihracat) Ocak 2002-2021 Aralık yılları arasındaki 99 fasıl grubu ele alınarak dış ticareti analiz edilmiştir. Bu analiz için Zaman Serisi yöntemleri ve NARX (Nonlinear Autoregressive Exogenous) sinir ağı kullanılmıştır. Tahmindeki hata oranlarında elde edilen minimizasyon açısından Drift, Mean, Naive, ARIMA ve NARX sinir ağı performansının Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) kullanılarak karşılaştırıldı. Bulgulara göre tüm fasıl grupları için NARX sinir ağının başarılı sonuçlar verdiği görülmektedir. Uygulama sonrası elde edilen hata oranlarındaki azalma tüm fasıl grupları için Drift, Mean, Naive, ARIMA ’ya göre NARX’ın üstünlüğüyle sonuçlanmıştır. Diğer taraftan bölümlere baktığımızda ise Zaman Serisi yöntemlerinin de kendi içinde başarılı olduğu neticesine varılmıştır.
ABSTRACT
Estimating time series is challenging due to unprecedented economic trends and conditions and incomplete information. Market volatility in recent years has caused serious concerns about economic and financial time series forecasting. For this reason, when using various forecasting methods, it is necessary to evaluate the accuracy of the estimates, and, more specifically, it is required to make predictions using regression analysis, as they have various application limitations. Financial practices primarily require predicting future events based on past data. Neural networks can help computers make intelligent decisions with limited human assistance. Artificial Neural Networks in Economics have recently gained popularity due to their ability to handle uncertainty more efficiently than expert systems. This study aims to conduct empirical research and analysis to investigate the performance of traditional prediction techniques and algorithms based on machine learning.
Ninety-nine foreign trade groups were analyzed between Türkiye and Germany (import and export) between January 2002-December 2021. Time Series methods and NARX (Nonlinear Autoregressive Exogenous) neural network were used for this analysis. Regarding the minimization obtained in the error rates in the estimate, Drift, Mean, Naive, ARIMA, and NARX neural network performance was compared using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). According to the findings, it is indicated that the NARX neural network gives satisfactory results for all groups. The decrease in error rates after the application resulted in the superiority of NARX compared to Drift, Mean, Naive, and ARIMA for all groups. It has been concluded that the Time Series methods are also successful. |
en_EN |