Year 2020, Volume 28 , Issue 46, Pages 271 - 291 2020-10-31

Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini
Prediction of Gold Prices Using Multilayer Artificial Neural Networks Method

Yakup SÖYLEMEZ [1]


Finansal zaman serilerinin doğru tahmin edilebilmesi finansal piyasalarda pozisyon alanlara hem yatırım fırsatları sunabilmekte hem de finansal varlıklarını hedge edebilme olanağı sağlamaktadır. Bu kapsamda önemli bir yatırım aracı olan altının fiyatının tahmin edilebilmesi son derece önemlidir. Araştırma yapay sinir ağları yöntemini kullanarak altın fiyatlarının bir gün önceki çeşitli girdi değişkenleriyle tahmin edilebilmesini amaçlamaktadır. Uygulama kısmında 03.11.2014-31.10.2019 tarihleri arasında oluşan altın fiyatları, Brent petrol fiyatları, VIX endeksi, Dow Jones Endeksi ve ABD Dolar endeksi değişkenleri kullanılarak çok katmanlı yapay sinir ağları ile tahmin edilmektedir. Araştırma sonucunda altın fiyatlarını en iyi tahmin eden model bulunmuş ve altın fiyatları %98,44 oranında doğru tahmin edilmiştir.
The accurate estimation of financial time series provides both investment opportunities and hedging financial assets to those who take positions in financial markets. In this context, it is extremely important to estimate the price of gold, which is an important investment instrument. The research aims to estimate gold prices with various input variables the day before by using artificial neural networks method. In the study, gold prices between 11.03.2014-10.31.2019 are estimated by multi-layer artificial neural networks using variables of Brent oil prices, VIX index, Dow Jones Index and US Dollar index. As a result of the research, there is a model that best estimates (98,44%) gold prices.
  • Adem, K. & O. Comert & N. Zengin & M. Hekim (2017), “Prediction of Gold Prices Using Artificial Neural Networks”, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 9(3), 83-89.
  • Alameer, Z. & M.A. Elaziz & A.A. Ewees & H. Ye & Z. Jianhua (2019), “Forecasting Gold Price Fluctuations Using Improved Multilayer Perceptron Neural Network and Whale Optimization Algorithm”, Resources Policy, 61, 250-260.
  • Aydın, A.D. & S.C. Çavdar (2015), “Comparison of Prediction Performances of Artificial Neural Network (ANN) and Vector Autoregressive (VAR) Models by Using the Macroeconomic Variables of Gold Prices, Borsa Istanbul (BIST) 100 Index and US Dollar-Turkish Lira (USD/TRY) Exchange Rates”, Procedia Economics and Finance, 30, 3-14.
  • Basher, S.A. & P. Sadorsky (2016), “Hedging Emerging Market Stock Prices with Oil, Gold, VIX, and Bonds: A Comparison between DCC, ADCC and GO-GARCH”, Energy Economics, 54, 235-247.
  • Benli, Y.K. & A. Yıldız (2014), “Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 42(2), 213-224.
  • Cohen, G. & M. Qadan (2010), “Is Gold Still a Shelter to Fear”, American Journal of Social and Management Sciences, 1(1), 39-43.
  • Cooper, R.N. & R. Dornbusch & R.E. Hall (1982), “The Gold Standard: Historical Facts and Future Prospects”, Brookings Papers on Economic Activity, 1982(1), 1-56.
  • Çam, S. & S.B. Kılıç (2018), “Altın Fiyatı Günlük Getirilerinin Yapay Sinir Ağları Algoritması ve Markov Zincirleri Modelleri ile Tahmini”, Uluslararası İktisadi ve İdari İncelemeler Dergisi, Özel, (18), 681-694.
  • Çelik, U. & Ç. Başarır (2017), “The Prediction of Precious Metal Prices via Artificial Neural Network by Using RapidMiner”, Alphanumeric Journal, 5(1), 45-54.
  • Denton, J.W. (1995), “How Good Are Neural Networks for Causal Forecasting?”, The Journal of Business Forecasting, 14(2), 17.
  • Etheridge, H.L. & R.S. Sriram (1997), “A Comparison of the Relative Costs of Financial Distress Models: Artificial Neural Networks, Logit and Multivariate Discriminant Analysis”, Intelligent Systems in Accounting, Finance & Management, 6(3), 235-248.
  • Ghizoni (N/A), <https://www.federalreservehistory.org/essays/bretton_woods_created>, 05.12.2019.
  • Hafezi, R. & A. Akhavan (2018), “Forecasting Gold Price Changes: Application of an Equipped Artificial Neural Network”, AUT Journal of Modeling and Simulation, 50(1), 71-82.
  • Jubinski, D. & A.F. Lipton (2013), “VIX, Gold, Silver, and Oil: How do Commodities React to Financial Market Volatility?”, Journal of Accounting and Finance, 13(1), 70-88.
  • Kangarani-Farahani, M. & S. Mehralian (2013), “Comparison between Artificial Neural Network and Neuro-fuzzy for Gold Price Prediction”, içinde: 13th Iranian Conference on Fuzzy Systems (IFSC), IEEE, 1-5.
  • Karataş, T. & E. Ürkmez (2013), “Küresel Kriz Sürecinde Altın Fiyatlarını Etkileyen Dinamikler”, içinde: International Conference on Eurasian Economies.
  • Khamis, A. & P.H. Yee (2018), “A Hybrid Model of Artificial Neural Network and Genetic Algorithm in Forecasting Gold Price”, European Journal of Engineering Research and Science, 3(6), 10-14.
  • Kılıç, S.B. (2013), “Predicting the Direction of Gold Price Returns: Integrating Composite Artificial Neural Network Models by Markov Chain Process”, Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 17(2), 15-28.
  • Kocatepe, C.İ. & O. Yıldız (2016), “Ekonomik Endeksler Kullanılarak Türkiye’deki Altın Fiyatındaki Değişim Yönünün Yapay Sinir Ağları ile Tahmini”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 4(3).
  • Krenker, A. & J. Bešter & A. Kos (2011), Artificial Neural Networks-Methodological Advances and Biomedical Applications: Introduction to the Artificial Neural Networks, Consalta doo Faculty of Electrical Engineering, University of Ljubljana Slovenia.
  • Kristjanpoller, W. & M.C. Minutolo (2015), “Gold Price Volatility: A Forecasting Approach Using the Artificial Neural Network–GARCH Model”, Expert Systems with Applications, 42(20), 7245-7251.
  • Lee, T.S. & I.F. Chen (2005), “A Two-stage Hybrid Credit Scoring Model Using Artificial Neural Networks and Multivariate Adaptive Regression Splines”, Expert Systems with Applications, 28(4), 743-752.
  • Lin, T.-H. (2009), “A Cross Model Study of Corporate Financial Distress Prediction in Taiwan: Multiple Discriminant Analysis, Logit, Probit and Neural Networks Models”, Neurocomputing, 72, 3507-3516.
  • Masters, T. (1993), Practical Neural Network Recipes in C++, Academic Press, San Diego, California.
  • McCarthy, J. (2007), “From Here to Human-level AI”, Artificial Intelligence, 171(18), 1174-1182.
  • Mombeini, H. & A. Yazdani-Chamzini (2015), “Modeling Gold Price via Artificial Neural Network”, Journal of Economics, Business and Management, 3(7), 699-703.
  • Nielsen, M.A. (2015), Neural Networks and Deep Learning (Vol. 25), San Francisco, CA, USA: Determination Press.
  • Öndes, H. & A. Oğuzlar (2019), “Yapay Sinir Ağlarıyla Altın (Tl/Kg) Fiyatı Tahmini”, Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, (72), 249-262.
  • Paksoy, S. (2017), “Hibrit Markov Zinciri Süreci ile Altın Getirisinin Öngörülmesi”, Bolu Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(1), 29-49.
  • Topçu, A. (2010), “Altın Fiyatlarını Etkileyen Faktörler”, SPK Araştırma Raporu, Ankara.
  • Yüksel, R. & S. Akkoç (2016), “Altın Fiyatlarının Yapay Sinir Ağları ile Tahmini ve Bir Uygulama”, Dogus University Journal, 17(1).
  • <https://tr.euronews.com/2019/04/24/afrika-dan-her-yil-milyarlarca-dolarlik-altin-yasa-disi-yollarla-cikariliyor>, 01.12.2019.
  • <https://www.enerji.gov.tr/tr-TR/Sayfalar/Altin>, 01.10.2019.
  • <https://www.gold.org>, 01.12.2019.
  • <https://www.independent.co.uk/voices/gordon-brown-gold-reserves-sold-economy-analysis-financial-bullion-a8909611.html>, 08.12.2019.
Primary Language tr
Subjects Social
Journal Section Articles
Authors

Orcid: 0000-0002-6185-3192
Author: Yakup SÖYLEMEZ (Primary Author)
Institution: BÜLENT ECEVİT ÜNİVERSİTESİ
Country: Turkey


Dates

Publication Date : October 31, 2020

Bibtex @research article { sosyoekonomi684151, journal = {Sosyoekonomi}, issn = {1305-5577}, address = {}, publisher = {Sosyoekonomi Society}, year = {2020}, volume = {28}, pages = {271 - 291}, doi = {10.17233/sosyoekonomi.2020.04.13}, title = {Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini}, key = {cite}, author = {Söylemez, Yakup} }
APA Söylemez, Y . (2020). Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini . Sosyoekonomi , 28 (46) , 271-291 . DOI: 10.17233/sosyoekonomi.2020.04.13
MLA Söylemez, Y . "Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini" . Sosyoekonomi 28 (2020 ): 271-291 <https://dergipark.org.tr/en/pub/sosyoekonomi/issue/57521/684151>
Chicago Söylemez, Y . "Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini". Sosyoekonomi 28 (2020 ): 271-291
RIS TY - JOUR T1 - Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini AU - Yakup Söylemez Y1 - 2020 PY - 2020 N1 - doi: 10.17233/sosyoekonomi.2020.04.13 DO - 10.17233/sosyoekonomi.2020.04.13 T2 - Sosyoekonomi JF - Journal JO - JOR SP - 271 EP - 291 VL - 28 IS - 46 SN - 1305-5577- M3 - doi: 10.17233/sosyoekonomi.2020.04.13 UR - https://doi.org/10.17233/sosyoekonomi.2020.04.13 Y2 - 2020 ER -
EndNote %0 Sosyoekonomi Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini %A Yakup Söylemez %T Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini %D 2020 %J Sosyoekonomi %P 1305-5577- %V 28 %N 46 %R doi: 10.17233/sosyoekonomi.2020.04.13 %U 10.17233/sosyoekonomi.2020.04.13
ISNAD Söylemez, Yakup . "Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini". Sosyoekonomi 28 / 46 (October 2020): 271-291 . https://doi.org/10.17233/sosyoekonomi.2020.04.13
AMA Söylemez Y . Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini. Sosyoekonomi. 2020; 28(46): 271-291.
Vancouver Söylemez Y . Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini. Sosyoekonomi. 2020; 28(46): 271-291.
IEEE Y. Söylemez , "Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini", Sosyoekonomi, vol. 28, no. 46, pp. 271-291, Oct. 2020, doi:10.17233/sosyoekonomi.2020.04.13