TS-FIS Yöntemi Bulanık Çıkarım Sistemi ile Enflasyon Öngörüsü: Türkiye Örneği
Öz
Ekonomik krizlerin gün geçtikçe etkilerinin daha fazla hissedildiği dönemlerde sıkça konuşulan kavramlardan birisi de enflasyondur. Enflasyon fiyatların genel düzeyindeki artış olarak tanımlanmaktadır. Enflasyon öngörüleri krizle mücadele ve krizin etkilerinin azaltılması açısından önemli bir süreçtir. Bu öngörülerin gerçeğe daha yakın elde edilmeleri kararların da doğru verilmesine fayda sağlamaktadır. Türkiye Cumhuriyeti Merkez Bankası her yılın belirli dönemlerinde yayınladığı enflasyon raporlarında enflasyon beklentisi anketi sonuçlarına da yer verilmektedir. Bu çalışmada veri seti olarak 2003-2023 yılları arasında Türkiye Cumhuriyeti Merkez Bankası TÜFE oranları kullanılmıştır. Çalışmada yöntem olarak Yolcu, Eğrioğlu ve Baş (2018) tarafından önerilen TS-FIS yöntemi ile enflasyon tahmininde bulunulmaktadır. Bulanık çıkarım sistemleri zaman serisi tahmini için yaygın olarak kullanılmaktadır. Klasik bulanık çıkarım sistemlerinin makul bir tahmin performansı için çok fazla parametre tahmin etmesi gerekmektedir. Yolcu, Eğrioğlu ve Baş (2018) tarafından önerilen çıkarım sistemi ile daha iyi tahmin sonuçları üretildiği görülmektedir. Elde edilen sonuçlar klasik zaman serisi yöntemleri (ARIMA, Holt’s, Naive) ile bulanık zaman serisi yöntemleri (Chen, 1996 ve Chen, 2002) ile karşılaştırılmıştır. Sonuç olarak TS-FIS yönteminin enflasyon öngörüsü problemi için en başarılı performansı ürettiği ortaya konulmuştur.
Anahtar Kelimeler
Bulanık zaman serisi, Öngörü, TS-FIS, Bulanık çıkarım sistemleri
Kaynakça
- Akdağ, M., ve Yiğit, V. (2016). Box-Jenkins ve yapay sinir ağı modelleri ile enflasyon Tahmini, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30(2), 269-283.
- Al Kadry, I. R., Massalesse, J., & Nur, M. (2022). Forecasting inflation in Indonesia using the modified fuzzy time series Cheng, Jurnal Matematika, Statistika dan Komputasi, 19(1), 210-222.
- Almosova, A., & Andresen, N. (2023). Nonlinear inflation forecasting with recurrent neural networks, Journal of Forecasting, 42(2), 240-259.
- Araujo, G. S., & Gaglianone, W. P. (2023). Machine learning methods for inflation forecasting in Brazil: New contenders versus classical models, Latin American Journal of Central Banking, 4(2), 100087.
- Aydın, A. (2023). Türkiye ekonomisi için 1980 sonrasında enflasyon ve büyümenin işsizlik üzerindeki etkileri: ARDL yaklaşımı, Sosyal Bilimlerde Nicel Araştırmalar Dergisi, 3(1), 1-22.
- Aytürk, Y. (2011). Finansallaşma ve reel ekonomi, Derleyen Hayri Kozanoğlu içinde Uç(ur)amayan Balon: Finans, 60-90, Ayrıntı Yayınları, İstanbul.
- Chen, S.M. (1996). Forecasting enrolment based on fuzzy time series, Fuzzy Sets Systems, 81, 311-319.
- Erdem, N. (2011). Türkiye ekonomisinde dışa bağımlılığın değişen “bilançosu”. Hazırlayan Erkin Başer, Nihal Koçyiğit, Mustafa Öziş içinde, Bugüne Bakmak: 1980 Sonrası Türkiye’de Yaşanan Toplumsal Dönüşüm Süreçleri, s. 65-93, Dipnot Yayınları, Ankara
- Guttmann, R. (2023). Can we reform capitalism for its own good? A roadmap to sustainability., PSL Quarterly Review, 76(304).
- Hauzenberger, N., Huber, F., & Klieber, K. (2023). Real-time inflation forecasting using non-linear dimension reduction techniques, International Journal of Forecasting, 39(2), 901-921.
kapsamında lisanslanmıştır.