FORECASTING OF TURKEY INFLATION WITH HYBRID OF FEED FORWARD AND RECURRENT ARTIFICAL NEURAL NETWORKS

Yıl 2010, Cilt: 11 Sayı: 1, 42 - 55, 01.01.2010

N. Alp Erilli Erol Eğrioğlu Ufuk Yolcu Ç. Hakan Aladağ V. Rezan Uslu

Öz

Obtaining the inflation prediction is an important problem. Having this prediction accurately will lead to more accurate decisions. Various time series techniques have been used in the literature for inflation prediction. Recently, Artificial Neural Network ANN is being preferred in the time series prediction problem due to its flexible modeling capacity. Artificial neural network can be applied easily to any time series since it does not require prior conditions such as a linear or curved specific model pattern, stationary and normal distribution. In this study, the predictions have been obtained using the feed forward and recurrent artificial neural network for the Consumer Price Index CPI . A new combined forecast has been proposed based on ANN in which the ANN model predictions employed in analysis were used as data

Anahtar Kelimeler

Forecasting , Feed Forward Neural Networks , Recurrent Neural Networks

TÜRKİYE’DE ENFLASYONUN İLERİ VE GERİ BESLEMELİ YAPAY SİNİR AĞLARININ MELEZ YAKLAŞIMI İLE ÖNGÖRÜSÜ

Öz

Enflasyon öngörülerinin elde edilmesi önemli bir ekonomik problemdir. Öngörülerin doğru bir şekilde elde edilmesi daha doğru kararlara neden olacaktır. Enflasyon öngörüsü için literatürde çeşitli zaman serileri teknikleri kullanılmıştır. Son yıllarda zaman serisi öngörü probleminde esnek modelleme yeteneği nedeniyle, Yapay Sinir Ağları YSA tercih edilmektedir. Yapay sinir ağları doğrusal veya eğrisel belirli bir model kalıbı, durağanlık ve normal dağılım gibi ön koşullara ihtiyaç duymadığından herhangi bir zaman serisine kolaylıkla uygulanabilmektedir. Bu çalışmada Tüketici Fiyat Endeksi TUFE için ileri ve geri beslemeli yapay sinir ağları yaklaşımı kullanılarak öngörüler elde edilmiştir. Çözümlemede kullanılan YSA modellerinin öngörülerinin girdi olarak kullanıldığı, YSA’ya dayalı yeni bir melez yaklaşım önerilmiştir.

Anahtar Kelimeler

Öngörü, İleri Beslemeli Yapay Sinir Ağları, Geri Beslemeli Yapay Sinir Ağları

Kaynakça

• ALADAĞ, C.H., EĞRİOĞLU, E., GÜNAY, S., BAŞARAN, M.A., (2009). Improving weighted information criterion by using optimization. Journal of Computational and Applied Mathematics, (Submitted manuscript).
• BATES, J.M., GRANGER, C.W.J. (1969). The combination of forecast, Operational Research Quarterly, 20 (4), 451-468.ss.
• CHEN, X., RACINE, J., SWANSON, N. (2001). Semiparametric ARX neural network models with an application to forecasting inflation,. IEEE Transaction on Neural Networks, 12, 674-683.ss.
• CICHOCKI, A., UNBEHAUEN, R. (1993). Neural networks for optimization and signal processing.New York: John Willey & Sons.
• EĞRİOĞLU, E., ALADAĞ, Ç.H., GÜNAY, S. (2008). A new model selection strategy in artificial neural network. Applied Mathematics and Computation,195, 591-597.ss.
• EĞRİOĞLU, E., ALADAĞ, Ç.H., KADILAR, C. (2009). Forecasting nonlinear time series with a hybrid methodology. Applied Mathematic Letters, 22, 1467- 1470.ss.
• ELMAN, J.L. (1990). Finding structure in time. Cognitive Science, 14:179-211.ss.
• GRANGER, C.W.J., RAMANATHAN, R. (1984). Improved methods of combined forecasts. Journal of Forecasting, 3, 197-204.ss.
• GÜNAY, S., EĞRİOĞLU, E., ALADAĞ, Ç.H. (2007). Tek değişkenli zaman serileri analizine giriş. Ankara: Hacettepe Üniversitesi Yayınları.
• HU, M.J.C. (1964). Application of the adaline systems to weather forecasting, Masther thesis. Technical Report 6775-1, Stanford Electronic Labaratories, Stanford, C.A.
• KARACA, O. (2008). Enflasyon gelişmeleri üzerine, ekonomi üzerine yazılar, [Erişim Adresi]: <http://www.orhankaraca.blogspot.com>,[Erişim Tarihi: 5 Kasım 2009].
• KARAHAN, Ö. (2005). Türkiye’de örtük enflasyon hedeflemesi programının uygulanmasına ilişkin oluşan riskler ve bu risklerin yönetim politikaları. Elektronik Sosyal Bilimler Dergisi, ISSN:1304-0278, C:4, S.14, ss.34-47.ss.
• KAYGUSUZ, M. (2006). Enflasyon hedeflemesi ve Türkiye’de uygulanabilirliği, [Erişim Adresi]: < http://www.ceterisparibus.net/arsiv.htm>. [Erişim Tarihi: 5 Kasım 2009].
• NAKAMURA, E. (2005). Inflation forecasting using a neural network, Economic Letters, 86,373-378.ss.
• NEWBOLD, P., GRANGER, C.W.J. (1974). Experience with forecasting time series and combination of forecasts. Journal of the Royal Statistical Society A, 137 (2), 131-165.ss.
• REFENES, A.N. (1995). Neural networks in the capital markets. Chichester: John Wiley.
• RUMELHART, D.E., HINTON, G.E., WILLIAMS, R.J. (1986). Learning representations by backpropagating errors, Nature, 323 (6188), 533-536.ss.
• SAMUELSON, P.A., NORDHAUS, W.D.(1992). Economics. McGraw-Hill: Int. Editions.
• STOCK, J.H., WATSON, M.W. (1998). A comparison of linear and nonlinear univariate models for forecasting macroeconomic time series. NBER Working Paper 6607.
• TRIPPI, H., TURBAN, E. (1993). Neural networks in finance and investment: using artificial intelligence to improve real-world performance. Chicago: Probus
• TUİK (2008). Fiyat endeksleri ve enflasyon: Sorularla Resmi İstatistik Dizisi-3. Ankara:Türkiye İstatistik Kurumu Yayınları.
• WEIGEND, A.S., HUBERMAN, B.A., RUMELHART, D.E. (1992). Predicting sunspots and exchange rates with connectionist networks. In: Casdagli,M., Eubank S. (Eds.) Nonlinear Modelling and Forecasting. Addison Wesley: Redwood City, CA.
• WHITE, H. (1988). Economic prediction using neural networks: The case of IBM daily stock returns. Proceedings of the IEEE International Conference on Neural Networks 2, 451-458.ss.
• WINKLER, R.L., MARKIDAKIS, S. (1983). The combination of forecasts. Journal of the Royal Statistical Society A, 146 (2), 150-157.ss.
• WONG, K.K.F., SONG, H.,WITT, S.F., WU, D.C. (2007). Tourism forecasting: To combine or not to combine?. Tourism Management, 28, 1068-1078.ss.
• WU, B. (1995). Model-free forecasting for nonlinear time series (With application to exchange rates). Computational Statistics and Data Analysis, 19, 433-459.ss.
• ZHANG, G., PATUWO, B.E., HU, Y.M. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14, 35-62.ss.
• ZHANG, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.ss.
• ZURADA, J.M. (1992). Introduction of artificial neural systems. St. Paul: West Publishing.