ARPS Düşüş Eğrisi Modelinden Genişletilen Çok Değişkenli Doğrusal Olmayan Model ile Altın Fiyatlarının Analiz Edilmesi

Yıl 2018, Cilt: 6 Sayı: ICEESS’ 18, 363 - 369, 15.12.2018

Ufuk Çelik , Çağatay Başarır

https://doi.org/10.18506/anemon.465861

Öz

Bu çalışmada, ARPS düşüş eğrisi modelinden genişletilen KNEA algoritması
kullanılarak altın fiyatları tahminlenmiştir. Petrol üretim miktarları
tahminlemesinde kullanılan ARPS düşüş eğrileri, üretim kapasitesi ve onu etkileyen
faktörler arasındaki doğrusal olmayan ilişkiyi ortaya koyması, KNEA sayesinde giriş
verilerini doğrusal olmayan kombinasyonda sağlaması ile zaman serisindeki
kaçınılmaz (aşırı küçük veya büyük) eksiklikler tahmin edilebilir. Analiz için 04.01.2010
ile 14.12.2015 tarihleri arasındaki altın, gümüş, platin, paladyum, Brent
Petrol, doğalgaz, 5, 10 ve 30 yıllık bono, S&P500, Nasdaq, DowJones,
FTSE100, DAX, CAC40, SMI, NIKKEI, HANH, SEND ve Avro/Dolar verilerine
odaklanılmıştır. Toplamda 1447 adet veriden, test amaçlı 10 günlük 2015 Aralık
ayı verilerinin tahminlemesinde Mutlak Ortalama Sapması 6.926, Ortalama Kare
Hatası 66.348, Kök Ortalama Kareler Hatası 8.145 ve Mutlak Ortalama Yüzde
Hatası ise 0.65 bulunmuştur.

Anahtar Kelimeler

Altın Fiyatları, Tahmin, Makro Ekonomik Değişkenler

Analysis of Gold Prices with Multivariate Nonlinear Model Extended from the ARPS’ Decline Curve Model

Öz

In this study, gold prices are estimated by using KNEA algorithm, which
is extended from ARPS decline curve model. ARPS decline curves that are used in
predicting oil production quantities  provides
a good indication of the nonlinear relationship between production capacity and
influencing factors, KNEA provides input data in non-linear combination, and
inevitable (extreme small or large) deficiencies in time series can be
estimated. The study focused on gold, silver, platinum, palladium, Brent Petrol,
Natural Gas, 5, 10 and 30-year bonds, S&P500, Nasdaq, DowJones, FTSE100,
DAX, CAC40, SMI, NIKKEI, HANH, SEND and Euro/Dollar data between January 4,
2010 and December 14, 2015 for analysis. For testing, 10 days of the 2015
December data were calculated as Mean Absolute Deviation 6.926, Mean Square
Error 66.348, Root Mean Square Error 8.145 and Mean Absolute Percentage Error
0.65 from the 1447 days in total data.

Anahtar Kelimeler

Gold Prices, Forecast, Macro Economic Variables

Kaynakça

• Arps, J. J. (1945). Analysis of Decline Curves. Transactions of the AIME, 160(01), 228-247
• Atay, G. (2013). Dünyada ve Türkiye’de Altın Piyasaları ve Türkiye’de Altın Fiyatlarını Etkileyen Faktörlerin İncelenmesi. Yüksek Lisans Tezi. İstanbul: İstanbul Üniversitesi.
• Benli, Y. K., & Yıldız, A. (2014). Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 42, 213-224.
• Chamzini, A., Yakhchali, H. S. Y., Volungevičienė, D., & Zavadskas, Z. (2012). Forecasting Gold Price Changes by Using Adaptive Network Fuzzy Inference System, Journal of Business Economics and Management, 13(5): 994–1010.
• Çelik, U., & Başarır, Ç. (2017). Yapay Sinir Ağları İle Kıymetli Maden Fiyatlarının RapidMiner İle Tahmin Edilmesi. Alphanumeric Journal, 5(1), 45-54.
• Dooley, M. P., Isard, P., & Taylor, M. P. (1995). Exchange Rates, Country-Specific Shocks, and Gold. Applied Financial Economics, 5(3), 121-129.
• Kaufmann, T. D., & Winters, R. A. (1989). The Price of Gold: A Simple Model. Resources Policy, (15), 309-313.
• Kocatepe, C. İ., & Yıldız, O. (2016). Ekonomik Endeksler Kullanılarak Türkiye’deki Altın Fiyatındaki Değişim Yönünün Yapay Sinir Ağları ile Tahmini. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 4(3), 926-934.
• Koutsoyiannis, A. (1983). A Short-run Pricing Model For a Speculative Asset, Tested With Data From The Gold Bullion Market. Applied Economics, 15(5), 563-581
• Kuhn, H. W., & Tucker, A. W. (2014). Nonlinear programming. Traces and Emergence of Nonlinear Programming, (pp. 247-258). Birkhäuser, Basel.
• Kutlar, A., & Turgut, T. (2006). Türkiye’deki Başlıca Ekonomi Serilerinin ARFIMA Modelleri ile Tahmini ve Öngörülebilirliği. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(1), 120-149.
• Küçükaksoy, İ., & Yalçin, D. (2017). Altın Fiyatlarını Etkileyebilecek Faktörlerin İncelenmesi. Ekonomik ve Sosyal Araştırmalar Dergisi, 13(2), 1-19.
• Lagrange, J. L. (1853). Mécanique analytique (Vol. 1). Mallet-Bachelier.
• Lemin, G. (2016) Analysis of GM Grey Model and the Theory. Computer Engineering and Applications, 52(6), 58-63.
• Ma, X., & Liu, Z. (2018). Predicting the Oil Production Using the Novel Multivariate Nonlinear Model Based on Arps Decline Model and Kernel Method. Neural Computing and Applications, 29(2), 579-591.
• Paksoy, S. (2017). Hibrit Markov Zinciri Süreci İle Altın Getirisinin Öngörülmesi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(1), 29-49.
• Sjaastad, L. A., & Scacciavillani, F. (1996). The Price of Gold and the Exchange Rate. Journal of International Money and Finance, 6(15), 879-897.
• Suykens, J. A. K., & Vandewalle, J. (1999). Least Squares Support Vector Machine Classifiers. Neural Processing Letters, 9(3), 293–300.
• Topçu, A. (2010), Altın fiyatlarını etkileyen faktörler, SPK Araştırma Dairesi Yılık Raporu. (Erişim:01.06.2018), www.spk.gov.tr/SiteApps/Yayin/YayinGoster/1016
• Toraman, C., Basarir, Ç., & Bayramoglu, M. F. (2011). Determination of Factors Affecting the Price of Gold: A Study of MGARCH Model. Business and Economics Research Journal, 2(4), 37-50.
• Tully, E., & Lucey, B. M. (2007). A Power GARCH Examination of the Gold Market. Research in International Business and Finance, 21(2), 316-325.
• Yüksel, R., & Akkoç, S. (2016). Altın Fiyatlarının Yapay Sinir Ağları İle Tahmini ve Bir Uygulama. Doğuş Üniversitesi Dergisi, 17(1), 39-50.
• Zhu, H. C., & Dong, W. (2017). Predict the price of gold Based on Machine Learning Techniques. DEStech Transactions on Computer Science and Engineering, (mmsta). Doi: 10.12783/dtcse/mmsta2017/19700