DOĞRUSAL VERİ İŞLEME SÜREÇLERİNİN SİNİR AĞININ TAHMİN PERFORMANSINA ETKİSİ: DÖVİZ KURU VERİLERİYLE BİR UYGULAMA

Yıl 2023, Cilt: 11 Sayı: Özel Sayı, 33 - 49, 20.10.2023

Ersın Sünbül

https://doi.org/10.52122/nisantasisbd.1346658

Öz

Bu çalışmada, geleneksel veri ön işleme süreçlerinin, yapay sinir ağları modelleri ile yapılan tahminlerin tahmin performansı üzerindeki etkisi incelenmiştir. Bu amaçla iki farklı model oluşturulmuş ve zaman serisi tahmini yapılmıştır. Birinci modelde orijinal veriler kullanılmış, ikinci modelde ise zaman serilerinde geleneksel veri ön işleme yöntemi ile elde edilen veriler kullanılmıştır. Veri seti, Türkiye'nin 2000A1 ile 2022A2 arasındaki aylık reel ABD Doları/Türk Lirası kurlarından oluşmaktadır. Zaman serisi tahmini için geri beslemeli yapay sinir ağı mimarisine sahip Jordan modeli kullanılmıştır. Tahmin hataları Ortalama Karesel Hatanın Kök Kare Değeri (RMSE) kriterlerine göre hesaplanmış ve sonuçlar bu istatistiğe göre tartışılmıştır. Çalışmada veri işlemenin doğrusal olmayan yöntemin tahmin hatasını azalttığı sonucuna ulaşılmıştır.

Anahtar Kelimeler

Jordan geri beslemeli yapay sinir ağı, Tahmin, Döviz kuru

Destekleyen Kurum

yok

Proje Numarası

yok

EFFECT OF LINEAR DATA PROCESSING PROCESSES ON THE PREDICTION PERFORMANCE OF THE NEURAL NETWORK: AN APPLICATION WITH EXCHANGE RATE DATA

Öz

This study investigated the effect of traditional data preprocessing processes on the prediction performance of predictions made with artificial neural network models. For this purpose, two different models were created and time series estimation was made. The original data was used in the first model, and in the second model, the data obtained by the traditional data preprocessing method in the time series were used. The data set consists of monthly real US Dollar/Turkish Lira rates between 2000M1 and 2022M2 for Turkey. Jordan model with feedback artificial neural network architecture is used for time series estimation. Estimation errors were calculated according to the Root Squared Value of Mean Squared Error (RMSE) criteria and the results were discussed according to this statistic. In the study, it was concluded that data processing reduces the estimation error of the nonlinear method.

Anahtar Kelimeler

Jordan feedback artificial neural network, Forecasting, Exchange rate

Proje Numarası

yok

Kaynakça

• Ağyar, Z., (2015). “Yapay Sinir Ağlarının Kullanım Alanları ve Bir Uygulama”, Mühendis ve Makine, 56(662), 22-23.
• Altan, Ş., (2008). “Döviz Kuru Öngörü Performansı İçin Alternatif Bir Yaklaşım: Yapay Sinir Ağı”, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(2), 141-160.
• Arisanti, R., and Puspita, M.D., (2022). “Non-linear Autoregressive Neural Network with Exogenous Variable in Forecasting USD/IDR Exchange Rate”, Commun. Math. Biol. Neurosci.
• Benli, Y.K., and Tosunoğlu, N.G., (2014). “Avrupa Birliği Üye Ülkelerin Morgan Stanley Capital International Endekslerinin Değerlendirilmesi ve Yapay Sinir Ağları ile Öngörüsü”, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 16(2), 72-87.
• Dickey, D. A., and Fuller, W.A., (1981). “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root”, Econometrica, 49(4), 1057-1072. https://doi.org/10.2307/1912517
• EDDS., (2022). https://evds2.tcmb.gov.tr/, (Date of access: 10.01.2022).
• Eğrioğlu, E., and Aladağ, Ç.H., (2005). “Yapay Sinir Ağları ve ARİMA Modellerin Melez Yaklaşımı ile Zaman Serilerinde Öngörü”, İstanbul Üniversitesi VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27.
• Eğrioğlu, E., and Baş, E., (2020). Zaman Serileri ve Öngörü Yöntemleri (R Uygulamalı). Ankara: Nobel Akademik Yayıncılık.
• Elmas, Ç., (2018). Yapay Zekâ Uygulamaları. Ankara: Seçkin Yayınları.
• Eryılmaz, O., Özer, M., and Yumuşak, N., (2014). “Impact of Small-World Topology on the Performance of a Feed-Forward Artificial Neural Network Based on 2 Different Real-Life Problems.”, Turk. J. Elec. Eng. & Comp. Sci, 22, 708-718.
• Günay, S., Eğrioğlu, E., and Aladağ, H., (2007). Tek Değişkenli Zaman Serileri Analizine Giriş. Ankara: Hacettepe Üniversitesi Yayınları.
• Güneri, N., and Apaydın, A., (2004). “Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı”, Ticaret ve Turizm Eğitim Fakültesi Dergisi, 1, 170-188.
• Hamilton, J., (1994). Time Series Analysis. Princeton University Press.
• Jordan, M,I., (1986a). “Attractor Dynamics and Parallelism in a Connectionist Sequential Machine”, In Proceedings of the Eighth Annual Conference of the Cognitive Science Society, Hillsdale NJ. Erlbaum, 531-546.
• Jordan, M.I., (1986b). “Serial Order: A Parallel Distributed Processing Approach”, Technical Rep Ort Nr. 8604, Institute for Cognitive Science, University of California, San Diego, La Jolla, California.
• Kakıcı, A., (2017). “Yapay Sinir Ağlarının Katmanları ve Sınıflandırılması”, https://yapayzeka.ai/yapay-sinir-aglarinin-katmanlari-ve-siniflandirilmasi-3/ (Erişim Tarihi: 26.11.2020).
• Kamruzzaman, J., and Sarker, R.A., (2003). “Forecasting of Currency Exchange Rates Using ANN: A Case Study. In Neural Networks and Signal Processing”, Proceedings of the 2003 International Conference on, 1, 793-797. IEEE.
• Kaynar, O., and Taştan, S., (2009a). “Zaman Serileri Tahmininde ARIMA-MLP Melez Modeli”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 23(3), 141-149.
• Kuan, C. M., and Liu, T., (1995). “Forecasting Exchange Rates Using Feedforward and Recurrent Neural Networks”, Journal of Applied Econometrics, 10(4), 347-364.
• Magnitskii, N.A., (2001). “Some New Approaches to the Construction and Learning of Artificial Neural Networks”, Computational Mathematics and Modeling, 12, 293-304.
• Ollech, D., and Webel, K., (2020). “A Random Forest-based Approach to Identifying the Most Informative Seasonality Tests”, Deutsche Bundesbank's Discussion Paper Series, 55.
• Panda, M.M., Panda, S.N., and Pattnaik, P.K., (2022). “Forecasting Foreign Currency Exchange Rate using Convolutional Neural Network”, (IJACSA) International Journal of Advanced Computer Science and Applications, 13(2), 607. www.ijacsa.thesai.org
• Rumelhart, D.E., Hınton, G.E., and Williams, R.J., (1986). “Learning İnternal Rrepresentations by Error Propagation” (Tech. Rep. 8506), La Jolla: University of California, Institute for Cognitive Science, San Diego.
• Sabak, S., and Basar, D.B., (2020). “Enflasyonu Etkileyen Faktörlerin Ülkeler Bazında Yapay Sinir Ağları Analizi ile İncelenmesi”. Working Paper Series, 1(1), 27-38, Doi: 10.5281/zenodo.4387930.
• SNNS., (2020). “Stuttgart Neural Network Simulator”, User Manual Version 4.2. http://www.ra.cs.uni-tuebingen.de/SNNS/welcome.html.
• Sünbül, E., (2022). Finansal Para Krizi Göstergesi Olarak Döviz Kuru ve Kura Etki Eden Değişkenlerin Belirlenmesi: Konvansiyonel Ekonometrik Zaman Serisi Analizi ve YSA ile Melez Bir Model Önerisi, (Yayımlanmamış) Doktora Tezi, Ankara: Ankara Hacı Bayram Veli Üniversitesi, Lisansüstü Eğitim Enstitüsü.
• Tas, O., Yakak, E., and Uğurlu, U., (2018). “Euro/TL Kuru Tahmininde İstatistik ve Yapay Sinir Ağları Kullanımı”, Press Academia Procedia, 7(1), 414-417. DOI: 10.17261/Pressacademia.2018.926.
• Tosunoğlu, N., and Benli, Y.K., (2012). “Morgan Stanley Capital International Türkiye Endeksinin Yapay Sinir Ağları ile Öngörüsü”, Ege Akademik Bakış, 12(4), 541-547.
• Weigend, A.S., Huberman, B.A., and Rumelhart, D.E., (1992). “Predicting Sunspots and Exchange Rates with Connectionist Networks”, PRE-33772.
• Zhang, G.P., and Hu, M.Y., (1998). “Neural Network Forecasting of the British Pound/US Dollar Exchange Rate”, Omega, 26(4), 495-506.
• Zhang, G.P, Patuwo, B.E., and Hu, M.Y., (1998). “Forecasting with Artificial Neural Networks: The State of the Art”, International Journal of Forecasting, 14(1), 35-62.
• Zhang, G.P., (2003). “Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model”, Neurocomputing, (50), 159-175.