En Düşük ve En Yüksek Altın Fiyatlarının Yapay Sinir Ağları ile Öngörüsü

Abstract

Gözlemleri gün içinde değişen borsa indeksi, altn fiyatları veya döviz kuru gibi zaman serilerinin yapay sinir ağları ile çözümlenmesi bu çalışmanın temel aldığı problemdir. Altın fiyatlan gibi zaman serileri gün içinde değişen aralık değerlere sahip olduğundan klasik zaman serileri analizi ile bu tür verilerin çözümlenmesinde en düşük veya en yüksek değerlerden oluşan zaman serileri ayrı olarak modellenmektedir. Belirli bir gün için altın fiyatı en düşük ve en yüksek değer arasında değişmektedir. Bu çalışmada, altın fiyatı gibi zaman serilerinin, yapay sinir ağı ile en düşük ve en yüksek değerlerinin tahmin edilmesi için üç farklı yaklaşım karşılaştırılmıştır. İlk yaklaşım en düşük ve en yüksek değerin ayrı yapay sinir ağları ile çözümlenmesi, ikinci yaklaşım ise en düşük ve en yüksek değerin aynı yapay sinir ağı üzerinde çözümlenmesi yaklaşımıdır. Üçüncü yaklaşım ise merkez ve açıklıklara dayalı yaklaşımdır. Yaklaşımlar T.C Merkez bankası internet sitesinden (EVDS) alınan 30/03/2011 ve 30/03/2012 tarihleri arasındaki günlük altın fiyatlan zaman serisine uygulanmıştır. Uygulama sonucunda elde edilen sonuçlar tartışılmıştır.

Keywords

• Aralık değerli zaman serisi
• Öngörü
• Yapay sinir ağları

Highest and Lowest Golden Price Forecasting with Artificial Neural Networks

Abstract

This study is focused on analyzing time series such as share price stockholders, golden prices and exchange rates, for which observations can change within the day, by using artificial neural networks. "When such time series are analyzed using conventional methods, time series which consist of minimum and maximum values are modeled separately. Golden price is changed between minimum and maximum values for a given day. In this study, three different approaches, which are used for analyzing time series such as golden prices, are compared to jorecast the minimum and maximum values with artificial neural networks. While time series composed of minimum and maximum values are analyzed with different neural network models in the first method, these two time series are analyzed with the same neural network model in the second method. The third method is based on center and intervals. Methods are employed on the golden price time series which include daily observations between 30/03/2011 and 30/03/2012, and taken from the website of the Central Bank of RepubIic of Turkey. Results obtained from this application are discussed.

Keywords

• Time series including interval value
• Forecasting
• Artificial neural networks

References

1. Aladağ, C. H., Eğrioğlu, E., Gunay, S., Başaran, M. A., 2010. Improving Weighted Information Criterion by Using Optimization, Journal of Computational and Applied Mathematics, 233, 2683-2687.
2. Alpaslan, F., Tiring, E., Eğrioğlu, E., 2010. İleri Beslemeli Yapay Sinir Ağları İle Öngörü İçin Gizli Tabaka Sayısı Üzerine Bir Araştırma, 7. İstatistik Günleri Sempozyurnu Bildiriler Kitabı, 53-58, Ankara.
3. Lima Neto, E. A., De Carvalho, F. A. T., 2008. Centre and Range Method for Fitting a Linear Regression Model to Symbolic Interval Data, Comput.Stat.Data Anal., 52, 1500-1515.
4. Eğrioğlu, E., Aladağ, Ç. H., Günay, S., 2008. A New Architecture Selection Strategy in Solving Seasonal Autoregressive Time Series by Artificial Neural Networks, Hacettepe Journal of Mathematics and Statistics, Volume 37, Issue 2.
5. Eğrioğlu, E., Aladağ, Ç. H., Gunay, S., 2008. A New Model Selection Strategy in Artificial Neural Network, Applied Mathematics and Computation, 195,591-597.
6. Günay, S., Eğrioğlu, E., Aladağ, Ç. H., 2007. Tek Değişkenli Zaman Serileri Analizine Giriş, Hacettepe Üniversitesi Yayınları.
7. Billard, L. , Diday, E., 2000. Regression Analysis for lnterval-valued Data, Data Analysis, Classification and Related Methods, Proceedings of the Seventh Conference of the Intemational Federation of Classification Societies (IFCS'00), Springer,Belgium,369-374.
8. Maia, A. L. S., De Carvalho, F. A. T., 2010. Holt's Exponential Smoothing and Neural Network Models for Forecasting Interval-valued Time Series, Intemational Journal of Forecasting doi: 10,1016/j.ijforecast.2010,02,012.

9. Maia, A. L. S., De Carvalho, F. A. T., Ludermir, T. B., 2008. Forecasting Models for Interval-valued Time Series, Neurocomputing, 71, 3344-3352.
10. Zhang, G., Patuwo, B. E., Hu, Y. M., 1998. Forecasting with Artificial Neural Networks: The State of The Art, Intemational Journal of Forecasting, 14,35-62.