Merkez Bankaları ülkelerin finansal
düzenlemelerinin yapılması ve ülkenin genel ekonomik dengelerinin korunması
için çalışmaktadırlar. Bunun için beklenmedik ihtiyaçlar doğduğunda kullanmak
üzere rezerv bulundururlar. Ancak belirsizliğin yoğun olduğu finans
piyasalarında piyasa hareketlerinin doğru tahmin yöntemleriyle desteklenmemesi
beklenmedik sonuçlar doğurabilir. Bu nedenle merkez bankaları, ülkelerinin
finansal yapısını göz önüne alarak rezervleri ile ilgili tahmin çalışmaları
yürütmektedirler. Piyasada meydana gelen dalgalanmalar verilerin klasik
istatistiksel yöntemlerle modellenmesini zorlaştırmaktadır. Birçok çalışmada yapay
zekâya dayalı tekniklerin doğrusal olmayan verilerin modellenmesinde klasik
tekniklerle göre üstün performans gösterdiği belirtilmektedir. Bu amaçla çalışmamızda Türkiye Cumhuriyet
Merkez Bankası (TCMB)’nın aylık altın rezervi Yapay Sinir Ağları (YSA) ve
Holt-Winters Üstel Düzleme yöntemleri ile analiz edilmiştir. Çalışmada Aralık 1987–
Mayıs 2017 dönemine ait aylık ağırlıklı ortalama rezerv tutarları ($/milyon)
kullanılmıştır. Toplamsal Holt-Winters Üstel Düzleme yöntemiyle elde edilen modelin
performans sonuçları YSA modeli ile karşılaştırılmıştır. R2, MAPE ve
RMSE değerleri bakımından YSA modeli Toplamsal Holt-Winters Üstel Düzleme yönteminden
daha başarılı sonuçlar vermiştir.
Altın Rezervi Yapay Sinir Ağları RMSE Holt-Winters Üstel Düzleme
The Central
Banks carry out various studies to make financial arrangements for their
countries. In addition, central banks hold reserves for unexpected needs. However,
using wrong forecasting methods in a volatile financial market may cause
unexpected consequences. From this point, central banks use prediction methods
considering the financial structure of their countries. The economic fluctuations
make it difficult to model data with classical statistical methods. In recent
years, new modeling techniques are generally superior to classical techniques in
modeling nonlinear data. We investigated Central Bank of Turkey’s monthly gold
reserves with Artificial Neural Networks (ANN) and Holt-Winters Exponential
Smoothing methods. Monthly weighted average reserve amounts ($/million) for the
period of December 1987 to May 2017 were used in the study. Additive
Holt-Winters Exponential Smoothing model's performance compared with the ANN
model. ANN method yielded more successful results in terms of R2,
MAPE and RMSE values.
Gold Reserve Artificial Neural Network MLP RMSE Holt-Winters Exponential Smoothing
Birincil Dil | Türkçe |
---|---|
Konular | Ekonomi |
Bölüm | ARAŞTIRMA MAKALELERİ |
Yazarlar | |
Yayımlanma Tarihi | 30 Nisan 2018 |
Yayımlandığı Sayı | Yıl 2018 Cilt: 2 Sayı: 1 |
Recep Tayyip Erdoğan Üniversitesi
İktisadi ve İdari Bilimler Fakültesi
İktisat Bölümü
RİZE