TÜRKİYE KONUT FİYAT ENDEKSİ ÖNGÖRÜSÜ: ARIMA, RASSAL ORMAN VE ARIMA-RASSAL ORMAN

Abstract

Amaç- Bu çalışmanın amacı, Makine Öğrenmesi yöntemlerinden yararlanarak geliştirilen modellerin zaman serilerinin öngörüsünde alternatif bir yöntem olup olmadığının incelenmesidir. Yöntem- Geleneksel olarak, Otoregresif Entegre Hareketli Ortalama (ARIMA) modeli, zaman serisi tahmininde en yaygın kullanılan doğrusal modellerden biridir. Çalışmada,ARIMA modellerinin yanı sıra Rassal Orman ve Hibrit Rassal Orman yöntemleri kullanılmış ve Türkiye Konut Fiyat Endeksi serisi için bu modellerin öngörü performansları karşılaştırılmıştır. Bulgular- Hibrit modelin konut fiyat endeksini öngörmede diğer yöntemlerden daha başarılı olduğu tespit edilmiştir. Sonuç- Sonuç olarak, ARIMA ve Makine Öğrenmesi yöntemini birleştiren hibrit modellerin, ekonomik ve finansal verilerin öngörüsünde alternatif bir yöntem olarak kullanılabileceği tespit edilmiştir.

Keywords

• ARIMA
• rassal orman
• ARIMA-rassal orman
• hibrit
• makine öğrenmesi

FORECASTING OF TURKISH HOUSING PRICE INDEX: ARIMA, RANDOM FOREST, ARIMA-RANDOM FOREST

Abstract

Purpose- The aim of this study is to investigate whether the models developed by using Machine Learning methods are an alternative method for forecasting time series. Methodology-Traditionally, the Autoregressive Integrated Moving Average (ARIMA) model has been one of the most widely used linear models in time series forecasting. In the study, we use Random Forest and Hybrid Random Forest-ARIMA models besides the ARIMA model and compare their forecasting performance for the Turkish Housing Price Index series. Findings- The hybrid model was found to be more successful than other methods in forecasting the housing price index. Conclusion- As a result, hybrid models that combine ARIMA and machine learning method can be used an alternative method in forecasting economic and financial data

Keywords

• ARIMA
• random forest
• ARIMA-random forest
• hybrid
• machine learning

References

1. Franses, P. H., & Van Dijk, D. (2003). Non-linear Time Series Models in Empirical Finance. Cambridge University Press.
2. Hastie, T., Tibshirani, R., &Friedman, J. (2009). The Elements of Statistical Learning. New York: Springer-Verlag.
3. Kumar, M., &Thenmozhi, M. (2014). Forecasting Stock Index Returns using ARIMA-SVM, ARIMA-ANN, and ARIMA-Random Forest Hybrid Models. Int. J. Banking, Accounting and Finance, 284 – 308.
4. Pai, P-F., & Lin, C-S. (2005). A Hybrid ARIMA and Support Vector Machines Model in Stock Price Forecasting. Omega, 497 – 505.
5. Pedregosa, F.(2016). Hyperparameter Optimization With Approximate Gradient. JMLR: W&CP vol.48, 737-746.
6. TCMB(2019, 27 Ekim). KonutFiyatEndeksi. https://www.tcmb.gov.tr/wps/wcm/connect/b4628fa9-11a7-4426-aee6-dae67fc56200/KFE-Metaveri.pdf?MOD=AJPERES&CACHEID=ROOTWORKSPACE-b4628fa9-11a7-4426-aee6-dae67fc56200-mDXEz4N
7. Wang, P. (2008). Financial Econometrics. Routledge.
8. Zhang, G. P. (2003). Time Series Forecasting using A Hybrid ARIMA and Neural Network Model. Neurocomputing, 159 – 175.

9. Zhang, G., Patuwo, B. E., & Hu M. Y. (1998). Forecasting with Artificial Neural Networks: The State of The Art. International Journal of Forecasting, 35–62