Estimating USD/TRY Exchange Rate Using Artificial Neural Networks and Deep Learning Model

Öz

The exchange rate is one of the most important economic indicators for many reasons, such as affecting the costs of inputs such as raw materials, energy and technological products, the convertibility of external debt, and the risks posed by exchange rate volatility on the economy. In the study, it is aimed to predict the end-of-month values of the USD/TRY exchange rate through the macroeconomic data published in the current month in line with the data disclosure calendar, using artificial neural networks and deep learning method. In the first stage of this study, in which monthly data covering the period 05:2006 - 08:2022 were used, the data were separated as training, validation and test sets, and different deep learning architectures were tried with different layers and neuron numbers and the most suitable model was determined. In the second stage, the consistency of the determined model was examined by using the cross-validation method and as a result of the findings, positive results were obtained for the consistency of the model. At the last stage, USD/TRY exchange rates for September 2022 and October 2022 were estimated with the deep learning model. It has been observed that the deep learning model can produce prediction values that are very close to the real values within certain error limits, and that the independent variables used have the power to predict the end-of-month level of the USD/TRY exchange rate.

Anahtar Kelimeler

• Exchange Rate
• Artificial Neural Networks
• Deep Learning
• Cross Validation

Yapay Sinir Ağları ve Derin Öğrenme Modeli Kullanılarak USD/TRY Döviz Kurunun Tahmin Edilmesi

Öz

Döviz kuru; hammadde, enerji, teknolojik ürünler gibi girdilerin maliyetlerini etkilemesi, dış borçların çevrilebilirliği, kurdaki oynaklıkların ekonomi üzerinde yaratacağı riskler gibi birçok nedenle en önemli ekonomik göstergelerden biridir. Çalışmada yapay sinir ağları ve derin öğrenme metoduyla USD/TRY döviz kurunun ay sonu değerlerinin, mevcut ay içerisinde veri açıklama takvimi doğrultusunda yayınlanan makroekonomik veriler üzerinden tahmin edilmesi amaçlanmıştır. 05:2006 – 08:2022 dönemini kapsayan aylık formatta hazırlanmış verilerin kullanıldığı çalışmanın ilk aşamasında veriler eğitim, doğrulama ve test setleri olarak ayrıştırılarak farklı katman ve nöron sayıları ile farklı derin öğrenme mimarileri denenmiş ve en uygun model tespit edilmiştir. İkinci aşamada Çapraz Doğrulama Yöntemi kullanılarak tespit edilen modelin tutarlılığı incelenmiş ve elde edilen bulgular sonucunda modelin tutarlılığına yönelik olumlu sonuçlara ulaşılmıştır. Son aşamada Eylül 2022 ve Ekim 2022 ay sonu USD/TRY döviz kurları, oluşturulan derin öğrenme modeli ile tahmin edilmiştir. Derin öğrenme modelinin belli hata sınırları içerisinde gerçek değerlere oldukça yakın tahmin değerleri üretebildiği, ayrıca kullanılan bağımsız değişkenlerin USD/TRY döviz kurunun ay sonu seviyesini tahmin etme gücüne sahip olduğu görülmüştür.

Anahtar Kelimeler

• Döviz Kuru
• Yapay Sinir Ağları
• Derin Öğrenme
• Çapraz Doğrulama

Kaynakça

1. Alizadeh, M., Rada, R., Balagh, A. K. G. ve Esfahani, M.M.S. (2020). Forecasting exchange rates: A neuro-fuzzy approach. UMBC Faculty Collection. Erişim adresi: http://hdl.handle.net/11603/20057
2. Anderson, J.A. (1972). A simple neural network generating on interactive memory. Mathematical Biosciences, 14, 197-220. https://doi.org/10.1016/0025-5564(72)90075-2
3. Bal, C. ve Demir, S. (2017). A comparative study of artificial neural network models for forecasting USD/EUR-GBP-JPY-NOK exchange rates. Journal of Emerging Issues in Economics, Finance and Banking (JEIEFB), 6(2), 2248-2259. Erişim adresi: https://www.researchgate.net/profile/Cagatay-Bal
4. Çınar, U.K. (2018, 13 Ağustos). Yapay sinir ağları ve R programıyla uygulama [Blog yazısı]. Erişim adresi: https://www.veribilimiokulu.com/yapay-sinir-aglari/
5. Çuhadar, M., Demirbaş, K. ve Dayan, K. (2019). TÜFE bazlı reel efektif döviz kurunun alternatif yaklaşımlarla modellenmesi ve tahminlenmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 34, 78-103. Erişim adresi: https://dergipark.org.tr/en/pub/sbe/issue/45116/564090
6. Doğan, F. ve Türkoğlu, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 409-445. Erişim adresi: https://dergipark.org.tr/en/pub/dumf/issue/45282/411130
7. Investing.com. Erişim adresi: https://tr.investing.com/rates-bonds/
8. Karim, R. (2018, 22 Kasım). 10 stochastic gradient descent optimisation algorithms + cheatsheet [Blog yazısı]. Erişim adresi: https://towardsdatascience.com/10-gradient-descent-optimisation-algorithms-86989510b5e9

9. Kızrak, A. (2019, 4 Şubat). Derin öğrenme için aktivasyon fonksiyonlarının karşılaştırılması [Blog yazısı]. Erişim adresi: https://ayyucekizrak.medium.com/derin-%C3%B6%C4%9Frenme-i%C3%A7in-aktivasyon-fonksiyonlar%C4%B1n%C4%B1n-kar%C5%9F%C4%B1la%C5%9Ft%C4%B1r%C4%B1lmas%C4%B1-cee17fd1d9cd
10. Kim, Y.C., Lee, H.J., Kim, J.W. ve Ahn, J.J. (2018). A study on machine learning-based KRW/USD exchange rate prediction model using swap point determinants: Focused on optimal structure finding in multi layer perceptron. The Korean Data & Information Science Society, 29(1), 203-216. Erişim adresi: http://www.kdiss.org/journal/view.html?uid=2320&&vmd=Full
11. Kohonen, T. (1972). Correlation matrix memories. IEEE Transactions on Computers, 21(4), 353-359. Erişim adresi: https://lucidar.me/en/neural-networks/files/1972-correlation-matrix-memories.pdf
12. Li, L., Pan, F. ve Wang, C. (2020). Prediction analysis of USD-CNY trend based on BP neural network. In 2020 International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE) (pp. 48-52), IEEE. Erişim adresi: https://ieeexplore.ieee.org/abstract/document/9196462
13. McCulloch, W.S. ve Pitts, W.A. (1943). A logical calculus of the ideas immanent in nervous activity. Buttetin of Mathematics and Biophysics, 5, 115-133. Erişim adresi: https://waldirbertazzijr.com/wp-content/uploads/2018/10/mcp.pdf
14. Minsky, M. ve Papert, S. (1969). Perceptrons. Cambridge, MA: MIT Press.
15. Mohammadi, W.A.Z.I.R. (2019). Currency exchange rate forecasting using machine learning techniques (Yüksek lisans tezi). Graduate School of Applied Sciences, Near East University. Erişim adresi: http://docs.neu.edu.tr/library/6721800683.pdf
16. Öğündür, G. (2020, 13 Ocak). Model seçimi - K fold cross validation [Blog yazısı]. Erişim adresi: https://medium.com/@gulcanogundur/model-se%C3%A7imi-k-fold-cross-validation-4635b61f143c
17. Özkan, F. (2011). Döviz kuru tahmininde yapay sinir ağlarıyla alternatif yaklaşım. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 6(2), 185-200. Erişim adresi: https://dergipark.org.tr/en/pub/oguiibf/issue/5718/76536
18. Özkan, F. (2012). Döviz kuru tahmininde parasal model ve yapay sinir ağları karşılaştırması. Business and Economics Research Journal, 3(1), 27-39. Erişim adresi: https://www.berjournal.com/berjournal-ciltvolume-3-sayinumber-1-yilyear-2012.html
19. Öztemel, E. (2012). Yapay sinir ağları (Vol. 3). İstanbul: Papatya Yayıncılık Eğitim.
20. Panda, C. ve Narasimhan, V. (2007). Forecasting exchange rate better with artificial neural network. Journal of Policy Modeling, 29(2), 227-236. https://doi.org/10.1016/j.jpolmod.2006.01.005
21. Pradhan, R.P. ve Kumar, R. (2010). Forecasting exchange rate in India: An application of artificial neural network model. Journal of Mathematics Research, 2(4), 111-117. Erişim adresi: https://pdfs.semanticscholar.org/1fa7/2f9c2bb812692d28fbf09f7783c89bc7ac7a.pdf
22. Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychoanalytic Review, 65, 386-408. https://doi.org/10.1037/h0042519
23. Rumelhart, D.E., McClelland, J.L. ve the PDP Research Group (1986). Parallel distributed processing: Explorations in the microstructure of cognition. Volume 1: Foundations. Cambridge, MA: MIT Press. Researchgate web sitesinden erişilen adres: https://www.researchgate.net/publication/200033859_Parallel_distributed_processing_explorations_in_the_microstructure_of_cognition_Volume_1_Foundations
24. Seyyarer, E., Ayata, F., Uçkan, T. ve Karci, A. (2020). Derin öğrenmede kullanılan optimizasyon algoritmalarının uygulanması ve kıyaslanması. Computer Science, 5(2), 90-98. Erişim adresi: https://dergipark.org.tr/en/pub/bbd/issue/57870/752132
25. Türkiye Cumhuriyet Merkez Bankası. Elektronik veri dağıtım sistemi. Erişim adresi: https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket
26. Urrutia, J.D., Bariga, G.O. ve Putong, J.C.M. (2021). An analytical study on forecasting exchange rate in the Philippines using multi-layer feed forward neural network. Turkish Journal of Computer and Mathematics Education, 12(3), 5357-5377. https://doi.org/10.17762/turcomat.v12i3.2182
27. Widrow, B. ve Hoff, M.E. (1960). Adaptive switching circuits. Stanford Univ Ca Stanford Electronics Labs. Erişim adresi: https://apps.dtic.mil/sti/pdfs/AD0241531.pdf
28. Yavuz, S. ve Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187. Erişim adresi: https://dergipark.org.tr/en/pub/erciyesiibd/issue/5897/78019