TÜRKİYE CUMHURİYET MERKEZ BANKASI ALTIN REZERVİNİN HOLT-WİNTERS ÜSTEL DÜZLEME YÖNTEMİ VE YAPAY SİNİR AĞLARI İLE İNCELENMESİ / Investigation of the Republic of Turkey Central Bank’s Gold Reserve with Holt-Winters Exponential Smoothing and Artificial Neural Networks

Öz

Merkez Bankaları ülkelerin finansal düzenlemelerinin yapılması ve ülkenin genel ekonomik dengelerinin korunması için çalışmaktadırlar. Bunun için beklenmedik ihtiyaçlar doğduğunda kullanmak üzere rezerv bulundururlar. Ancak belirsizliğin yoğun olduğu finans piyasalarında piyasa hareketlerinin doğru tahmin yöntemleriyle desteklenmemesi beklenmedik sonuçlar doğurabilir. Bu nedenle merkez bankaları, ülkelerinin finansal yapısını göz önüne alarak rezervleri ile ilgili tahmin çalışmaları yürütmektedirler. Piyasada meydana gelen dalgalanmalar verilerin klasik istatistiksel yöntemlerle modellenmesini zorlaştırmaktadır. Birçok çalışmada yapay zekâya dayalı tekniklerin doğrusal olmayan verilerin modellenmesinde klasik tekniklerle göre üstün performans gösterdiği belirtilmektedir.  Bu amaçla çalışmamızda Türkiye Cumhuriyet Merkez Bankası (TCMB)’nın aylık altın rezervi Yapay Sinir Ağları (YSA) ve Holt-Winters Üstel Düzleme yöntemleri ile analiz edilmiştir. Çalışmada Aralık 1987– Mayıs 2017 dönemine ait aylık ağırlıklı ortalama rezerv tutarları ($/milyon) kullanılmıştır. Toplamsal Holt-Winters Üstel Düzleme yöntemiyle elde edilen modelin performans sonuçları YSA modeli ile karşılaştırılmıştır. R², MAPE ve RMSE değerleri bakımından YSA modeli Toplamsal Holt-Winters Üstel Düzleme yönteminden daha başarılı sonuçlar vermiştir.

Anahtar Kelimeler

• Altın Rezervi,Yapay Sinir Ağları,RMSE,Holt-Winters Üstel Düzleme

INVESTIGATION OF THE REPUBLIC OF TURKEY CENTRAL BANK’S GOLD RESERVE WITH HOLT-WINTERS EXPONENTIAL SMOOTHING AND ARTIFICIAL NEURAL NETWORKS / Türkiye Cumhuriyet Merkez Bankası Altın Rezervinin Holt-Winters Üstel Düzleme Yöntemi Ve Yapay Sinir Ağları İle İncelenmesi

Öz

The Central Banks carry out various studies to make financial arrangements for their countries. In addition, central banks hold reserves for unexpected needs. However, using wrong forecasting methods in a volatile financial market may cause unexpected consequences. From this point, central banks use prediction methods considering the financial structure of their countries. The economic fluctuations make it difficult to model data with classical statistical methods. In recent years, new modeling techniques are generally superior to classical techniques in modeling nonlinear data. We investigated Central Bank of Turkey’s monthly gold reserves with Artificial Neural Networks (ANN) and Holt-Winters Exponential Smoothing methods. Monthly weighted average reserve amounts ($/million) for the period of December 1987 to May 2017 were used in the study. Additive Holt-Winters Exponential Smoothing model's performance compared with the ANN model. ANN method yielded more successful results in terms of R², MAPE and RMSE values.

Anahtar Kelimeler

• Gold Reserve,Artificial Neural Network,MLP,RMSE,Holt-Winters Exponential Smoothing

Kaynakça

1. Asilkan, Ö., ve Irmak, S. (2009). İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları ile Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2), 375-391.
2. Barnston, A. G. (1992). Correspondence Among The Correlation, RMSE, And Heidke Forecast Verification Measures; Refinement Of The Heidke Score. Weather and Forecasting, 7(4), 699-709.
3. Benli, Y. K., ve Yıldız, A. (2014). Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 213-224.
4. Budak, H., ve Erpolat, S. (2012). Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9), 23-30.
5. Cılız, C. (2010). Ülke Altın Rezerv Oranlarını Etkileyen Faktörlerin Kantitatif Olarak Analiz Edilmesi. (Yayınlanmamış Doktora Tezi). Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
6. Ciner, C. (2001). On the Long Run Relationship Between Gold and Silver Prices a Note. Global Finance Journal, 12(2), 299-303.
7. Çuhadar, M., Güngör, İ., ve Göksu, A. (2009). Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1).
8. Draper, P., Faff, R. ve Hillier, D. (2006). Do Precious Metals Shine? An Investment Perspective. Financial Analysts Journal, 62, 98–106.

9. Dreyfus, G. (2005). Neural Networks: Methodology and Applications. Paris: Springer Science ve Business Media.
10. Du, K. L., ve Swamy, M. N. (2013). Neural Networks and Statistical Learning. New York: Springer Science ve Business Media.
11. Eichengreen, B., ve Temin, P. (2000). The Gold Standard and the Great Depression. Contemporary European History, 9(2), 183-207.
12. Elmas, Ç. (2011). Yapay Zeka Uygulamaları:(Yapay Sinir Ağı, Bulanık Mantık, Genetik Algoritma). Seçkin Yayıncılık.
13. Friedman, M. (1968). The Role of Monetary Policy. The American Economic Review, 58(1), 1-17.
14. Goodman, B. (1956). The Price of Gold and International Liquidity. Journal of Finance, 11, 15–28.
15. Green, T. (1999). Central Bank Gold Reserves. Research Study, 23, World Gold Council.
16. Gültekin, Ö. E., ve Hayat, E. A. (2016). Altın Fiyatını Etkileyen Faktörlerin VAR Modeli ile Analizi:2005-2015 Dönemi. Ege Akademik Bakış, 16(4), 611.
17. Jain, A. K., Mao, J., ve Mohiuddin, K. M. (1996). Artificial Neural Networks: A Tutorial. Computer, 29(3), 31-44.
18. Kaplan, K. (2003). Türkiye'de Kuyumculuk ve Altın. İstanbul Ticaret Odası, Yayın No: 2003-43.
19. Kaufmann, T. ve Winters, R. (1989). The Price of Gold: A Simple Model. Resource Policy, 19, 309 –318.
20. Kaynar, O., ve Taştan, S. (2009). Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve ARIMA Modelinin Karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (33), 161-172.
21. Khalid, M., Sultana, M. ve Zaidi, F. (2014). Forecasting Gold Price: Evidence from Pakistan Market. Research Journal of Finance and Accounting, 5(3), 70-74.
22. Kia, A. N., Fathian, M., ve Gholamian, M. R. (2012). Using MLP and RBF Neural Networks to Improve the Prediction of Exchange Rate Time Series with ARIMA. International Journal of Information and Electronics Engineering, 2(4), 543.
23. Kocak, H., ve Un, T. (2014). Forecasting the Gold Returns with Artifical Neural Network and Time Series. International Business Research, 7(11), 139.
24. MacKay, D.J.C. (1992). Bayesian Interpolation. Neural Computation, 4(3), 415–447.
25. Makridakis S., Wheelwright S.C. ve Hyndman R. J. (1997). Forecasting: Methods and Applications. New York: John Wiley and Sons.
26. Matroushi, S. (2011). Hybrid Computational Intelligence Systems Based on Statistical and Neural Networks Methods for Time Series Forecasting: The Case of Gold Price. (Yüksek Lisans Tezi). Lincoln Üniversitesi, Yeni Zelanda.
27. Mombeini, H., ve Yazdani-Chamzini, A. (2015). Modeling Gold Price Via Artificial Neural Network. Journal of Economics, Business and Management, 3(7), 699-703.
28. Moradi, H., Jokar, I., ve Forouzantabar, A. (2015). Modelling and Forecasting Gold Price Using GMDH Neural Network. Indian Journal of Fundamental and Applied Life Sciences, 5(1), 30-41.
29. Öztemel, E. (2003). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık.
30. Paksoy, S. (2017). Hibrit Markov Zinciri Süreci ile Altın Getirisinin Öngörülmesi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 17(1), 29-49.
31. Peters, C., ve Egan, P. (2001). The Performance of Defensive Investments. The Journal of Alternative Investments, 4(2), 49-56.
32. Priddy, K. L., ve Keller, P. E. (2005). Artificial Neural Networks: An Introduction (Vol. 68). SPIE Press.
33. Romer, C. D., ve Romer, D. H. (1989). Does Monetary Policy Matter? A New Test in the Spirit of Friedman and Schwartz. NBER Macroeconomics Annual, 4, 121-170.
34. Taylor, J. B. (1999), A Historical Analysis of Monetary Policy Rules. In Monetary Policy Rules, 319-348, University of Chicago Press.
35. Tayman, J., ve Swanson, D. A. (1999). On The Validity Of MAPE As A Measure Of Population Forecast Accuracy. Population Research And Policy Review, 18(4), 299-322.
36. TCMB, Erişim adresi: www.tcmb.gov.tr
37. Tully, E., ve Lucey, B. M. (2007). A Power GARCH Examination of the Gold Market. Research in International Business and Finance, 21(2), 316-325.
38. WGC. (2017). World Official Gold Holdings, International Financial Statistics, May 2017 Erişim adresi: https://www.gold.org/data/gold-reserves
39. Yaman, B. (2003). Uluslararası Rezervler, Türkiye için Rezerv Yeterliliği ve Optimum Rezerv Seviyesi Uygulaması. (Uzmanlık Yeterlilik Tezi). Türkiye Cumhuriyet Merkez Bankası / Piyasalar Genel Müdürlüğü, Ankara.
40. Zarakolu, H. A. (1989). Bankacılar için Para ve Kredi Bilgisi. Banka ve Ticaret Hukuku Araştırması Enstitüsü Yayınları, Yayın No:232, Ankara