FORECASTING CUMHURİYET GOLD PRICES USING THE ARIMA METHOD

Öz

One of the most important steps required for future planning in gold investment is being forecasted the prices in the future periods. Starting from here, it was aimed to be forecasted Cumhuriyet gold prices of Turkey in the future. For this purpose, ARIMA (Autoregressive Integrated Moving Average), Holt-Winters (Additive and Multiplicative models), Simple Exponential Correction and Holt Linear Trend from time series methods were used. Forecasting analysis results that were made with these methods were also compared on the basis of RMSE (Root Mean Squared Error) and Sum of Squared Residuals (SSR), which are the forecast evaluation criteria. According to the basic criteria, ARIMA was determined to be the best performing method. In the forecast analysis made with the established ARIMA model, it was forecasted that Cumhuriyet gold prices will continue to increase in the first six months of 2021.

Anahtar Kelimeler

• Gold Prices
• Forecasting
• Time Series Models
• ARIMA
• Holt-Winters

CUMHURİYET ALTINI FİYATLARININ ARIMA YÖNTEMİ KULLANILARAK İLERİ TAHMİNİ

Öz

Altın yatırımında gelecek planlamaların yapılabilmesi için gerekli olan en önemli adımlardan biri gelecek dönemlerdeki fiyatların tahmin edilmesidir. Buradan yola çıkılarak bu çalışmada Türkiye’nin gelecek dönemlerindeki altın fiyatlarının tahmin edilmesi amaçlanmıştır. Bu amaç doğrultusunda zaman serisi yöntemlerinden ARIMA (Autoregressive Integrated Moving Average), Holt-Winters (Toplamsal ve Çarpımsal modeller), Basit Üssel Düzeltim ve Holt Doğrusal Trend kullanılmıştır. Bu yöntemler ile yapılan tahmin analiz sonuçları da tahmin değerlendirme kriterlerinden RMSE (Root Mean Squared Error) ve Sum of Squared Residuals (SSR) temelinde kıyaslanmıştır. En iyi yöntemle (ARIMA) yapılan tahmin analizleri gerçekleştirildiğinde altın fiyatlarının 2020 yılı içinde de artarak devam edeceği tespit edilmiştir.

Anahtar Kelimeler

• Altın fiyatları
• Tahminleme
• Zaman serisi modelleri
• ARIMA
• Holt-Winters

Kaynakça

1. Amini, P., Ghaleiha, A., Zarean, E., Sadeghifar, M., Ghaffari, M. E., Taslimi, Z. ve Yazdi-Ravandi, S. (2018). “Modelling The Frequency of Depression Using Holt-Winters Exponential Smoothing Method”. Journal of Clinical and Diagnostic Research, 12 (10).
2. Askari, M. ve Askari, H. (2011). “Time Series Grey System Prediction-Based Models: Gold Price Forecasting”. Trends in Applied Sciences Research, 6 (11), 1287-1292.
3. Bajric, H., Kadric, E., Pasic, M. ve Bijelonja, I. (2017). “A Comparison of Two Parameter Same Slope Seasonality and Holt-Winters Exponential Smoothing Models”. Annals of Daaam and Proceedings, 28.
4. Balı, S. ve Cinel, M. (2011). “Altın Fiyatlarının İMKB 100 Endeksi’ne Etkisi ve Bu Etkinin Ölçümlenmesi”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25 (3-4), 45-63.
5. Benli, Y. K. ve Yıldız, A. (2015). “Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü”. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (42).
6. Bolat, M., Ünüvar, F. İ. ve Dellal, İ. (2017). Türkiye’de Yemeklik Baklagillerin Gelecek Eğilimlerinin Belirlenmesi. Tarım Ekonomisi Araştırmaları Dergisi, 3 (2), 7-18.
7. Booranawong, T. ve Booranawong, A. (2017). “Simple and Double Exponential Smoothing Methods with Desıgned Input Data for Forecastıng A Seasonal Time Series: in An Applıcation for Lime Prıces in Thailand”. Suranaree Journal of Science and Technology, 24 (3).
8. Box, G. E. (1970). GM Jenkins Time Series Analysis: Forecasting and Control. San Francisco, Holdan-Day.

9. Brown, R. G. (1956). Exponential Smoothing for Predicting Demand. Cambridge, Mass., Arthur D. Little.
10. Chi, Z. ve Shi, L. (2018). “Short-Term Traffic Flow Forecasting Using Arıma-Svm Algorithm and R.,” 5th International Conference on Information Science and Control Engineering (Icısce), 517-522.
11. Da Veiga, C. P., Da Veiga, C. R. P., Puchalski, W., Dos Santos Coelho, L. ve Tortato, U. (2016). “Demand Forecasting Based on Natural Computing Approaches Applied to The Foodstuff Retail Segment”. Journal of Retailing and Consumer Services, 31, 174-181.
12. Dev, S., Alskaif, T., Hossari, M., Godina, R., Louwen, A. ve Van Sark, W. (2018). Solar Irradiance Forecasting Using Triple Exponential Smoothing. In 2018 International Conference On Smart Energy Systems and Technologies (Sest) 1-6.
13. Elmas, B. ve Polat, M. (2014). Altın Fiyatlarını Etkileyen Talep Yönlü Faktörlerin Tespiti: 1988-2013 Dönemi, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 15 (1), 171-187.
14. Temelli, F. ve Şahin, D. (2019). Hisse Senedi Fiyatları, Altın Fiyatları ve Ham Petrol Fiyatları Arasındaki Nedensellik İlişkisinin Analizi, Ekev Akademi Dergisi, 23(77), 161-178.
15. Fauziah, F. N., Gunaryati, A., Sari, K. ve Titi, R. (2017). Comparison Forecasting with Double Exponential Smoothing and Artificial Neural Network to Predict The Price of Sugar. International Journal of Simulation--Systems, Science and Technology, 18(4).
16. Gamberini, R., Lolli, F., Rimini, B. ve Sgarbossa, F. (2010). Forecasting of Sporadic Demand Patterns with Seasonality and Trend Components: An Empirical Comparison Between Holt-Winters and (S) Arıma Methods. Mathematical Problems in Engineering.
17. Guo, Y. H., Shi, X. P. ve Zhang, X. D. (2010). A Study of Short Term Forecasting of The Railway Freight Volume in China Using Arıma and Holt-Winters Models. 8th International Conference on Supply Chain Management and Information, 1-6.
18. Gültekin, Ö. E., ve Hayat, E. A. (2016). Altın Fiyatını Etkileyen Faktörlerin Var Modeli ile Analizi: 2005-2015 Dönemi. Ege Akademik Bakış Dergisi, 16 (4), 611-625.
19. Güngör, İ., Kayacan, M. C., ve Korkmaz, M. (2004). Endüstriyel Odun Hammaddesi Talebinin Tahmininde Yapay Sinir Ağlarının Kullanımı ve Bazı Tahmin Yöntemleri ile Karşılaştırılması.
20. Hamzaçebi, C., & Kutay, F. (2004). Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 19 (3).
21. Hansun, S. (2016). H-Wema: A New Approach of Double Exponential Smoothing Method. Telkomnika, 14 (2).
22. Holt, C. C. (1957). Forecasting Trends And Seasonal By Exponentially Weighted Moving Averages. ONR Memorandum, 52.
23. Hyndman, R. J., ve Athanasopoulos, G. (2018). Forecasting: Principles and Practice. Otexts.
24. Kristjanpoller, W., ve Minutolo, M. C. (2015). Gold Price Volatility: A Forecasting Approach Using The Artificial Neural Network–Garch Model. Expert Systems with Applications, 42 (20), 7245-7251.
25. Lian, J., ve He, L. (2018). Research On Production Prediction Based On Exponential Smoothing Method. 9th International Conference On Information Technology in Medicine and Education (Itme), 961-963.
26. Mahajan, S., Chen, L. J., ve Tsai, T. C. (2017). An Empirical Study of Pm 2.5 Forecasting Using Neural Network, Ieee Smartworld, Ubiquitous Intelligence and Computing, Advanced and Trusted Computed, Scalable Computing and Communications, Cloud and Big Data Computing, Internet Of People and Smart City Innovation, 1-7.
27. Negm, M. M., ve Safiullin, L. N. (2018). Time Series Modeling Of Wheat Production And Share The Self-Sufficient Rate in The Future, Using Double Exponential Smoothing Model. Dilemas Contemporáneos: Educación, Política Y Valores, 6.
28. Nichiforov, C., Stamatescu, I., Făgărăşan, I., ve Stamatescu, G. (2017). Energy Consumption Forecasting Using Arima and Neural Network Models. 5th International Symposium on Electrical and Electronics Engineering (Iseee), 1-4.
29. Omag, A. (2012). An Observation of The Relationship Between Gold Prices and Selected Financial Variables in Turkey. Muhasebe ve Finansman Dergisi, (55).
30. Pierdzioch, C., Risse, M., ve Rohloff, S. (2015). Forecasting Gold-Price Fluctuations: A Real-Time Boosting Approach. Applied Economics Letters, 22(1), 46-50.
31. Poyraz, E., ve Didin, A. G. S. (2008). Altın Fiyatlarındaki Değişimin Döviz Kuru, Döviz Rezervi ve Petrol Fiyatlarından Etkilenme Derecelerinin Çoklu Faktör Modeli ile Değerlendirilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 13 (2), 93-104.
32. Rehman, S., Cai, Y., Fazal, R., Das Walasai, G., ve Mirjat, N. (2017). An Integrated Modeling Approach For Forecasting Long-Term Energy Demand in Pakistan. Energies, 10 (11), 1868.
33. Rendon-Sanchez, J. F., ve De Menezes, L. M. (2019). Structural Combination of Seasonal Exponential Smoothing Forecasts Applied to Load Forecasting. European Journal of Operational Research, 275 (3), 916-924.
34. Slutsky, E. (1927). The Summation of Random Causes As The Source of Cyclic Processes 3 (1), Moscow: Conjuncture Institute, 1927.
35. Snyder, R. D., Ord, J. K., ve Koehler, A. B. (2001). Prediction Intervals for Arima Models. Journal Of Business and Economic Statistics, 19 (2), 217-225.
36. Sunny, C. M., Nithya, S., Sinshi, K. S., Vinodini, M. V., Lakshmi, K. A., Anjana, S., ve Manojkumar, T. K. (2018). Forecasting of Road Accident in Kerala: A Case Study. International Conference on Data Science and Engineering (Icdse) 1-5.
37. Tian, S., Fu, Y., Ling, P., Wei, S., Liu, S., ve Li, K. (2018). Wind Power Forecasting Based on Arıma-Lgarch Model. International Conference on Power System Technology (Powercon), 1285-1289.
38. Topçu, N., Aksoy, M., ve Topcu, N. (2013). Altın ile Hisse Senedi ve Enflasyon Arasındaki İlişki, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 27 (1), 59-78.
39. Tran, Q. T., Li, H., ve Trinh, Q. K. (2019). Cellular Network Traffıc Predıctıon Using Exponentıal Smoothıng Methods. Journal of Ict, 18 (1), 1-18.
40. Tüzemen, A., ve Yıldız, Ç. (2018a). Geleceğe Yönelik Tahminleme Analizi: Türkiye Çimento Üretimi Uygulaması, Yönetim ve Ekonomi Araştırmaları Dergisi, 16 (3), 162-177.
41. Tüzemen, A., ve Yıldız, Ç. (2018b). Holt-Winters Tahminleme Yöntemlerinin Karşılaştırmalı Analizi: Türkiye İşsizlik Oranları Uygulaması, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 32 (1), 1-18.
42. Uğurlu, E., ve Saraçoğlu, B. (2010). Türkiye’de Enflasyon Hedeflemesi ve Enflasyonun Öngörüsü. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(2).
43. Wang, Q., Song, X., ve Li, R. (2018). A Novel Hybridization of Nonlinear Grey Model and Linear Arıma Residual Correction for Forecasting US Shale Oil Production. Energy, 165, 1320-1331.
44. Wheelwright, S., Makridakis, S., ve Hyndman, R. J. (1998). Forecasting: Methods And Applications. John Wiley & Sons. Winters, P. R. (1960). Forecasting Sales by Exponentially Weighted Moving Averages. Management Science, 6 (3), 324-342.
45. Wold, H.O., A Study in The Analysis of Stationary Time Series, Almquist and Wicksell, Uppsala, 1954.
46. Yağımlı, M., ve Ergin, H. (2017). Türkiye’de İş Kazalarının Üssel Düzeltme Metodu ile Tahmin Edilmesi, Marmara Fen Bilimleri Dergisi, 29 (4), 118-123.
47. Yaman, K., Sarucan, A., Mehmet, A. T. A. K., ve Aktürk, N. (2001). Dinamik Çizelgeleme İçin Görüntü İşleme ve Arıma Modelleri Yardımıyla Veri Hazırlama. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 16 (1).
48. Yenidoğan, I., Çayir, A., Kozan, O., Dağ, T., ve Arslan, Ç. (2018). Bitcoin Forecasting Using Arıma and Prophet. 3rd International Conference on Computer Science and Engineering (Ubmk), 621-624.
49. Yu, Z., Lei, G., Jiang, Z., ve Liu, F. (2017). Arıma Modelling and Forecasting of Water Level in The Middle Reach Oo The Yangtze River. 4th International Conference on Transportation Information and Safety (Ictıs), 172-177.
50. Yule, G. U. (1927). VII. on A Method of İnvestigating Periodicities Disturbed Series, With Special Reference to Wolfer's Sunspot Numbers. Philosophical Transactions of The Royal Society of London. Series A, Containing Papers of A Mathematical or Physical Character, 226(636-646), 267-298.
51. Yüksel, R., ve Akkoç, S. (2016). Altın Fiyatlarının Yapay Sinir Ağları ile Tahmini ve Bir Uygulama.