Altın/ Dolar Paritesinin Farklı Yapay Sinir Ağları Öğrenme Algoritmaları Kullanarak Bir Sonraki Kur Tahmini

Öz

Hızla gelişmekte olan teknolojik araçlar, karmaşık hesaplama yöntemlerinin büyük çaplı verilere uygulanabilmesine imkân tanımıştır. Böylece birçok alanda, insanın bilgi ve tecrübesinin yetişemediği sürelerde birtakım sonuçlar elde edilmekte ve bu sonuçlara bağlı karar mekanizmaları oluşturulmaktadır. Bu alanlardan biri de sıklıkla gündemde kalan altın ve dolar paritesidir. Ekonomiye ve sosyal yaşantıya olan etkisi, altın ve dolar paritesine yönelik finansal öngörülerle karar vermeyi oldukça önemli hale getirmiştir. Bu kapsamda Geri Yayılımlı çok Katmanlı Yapay Sinir Ağlarıyla farklı öğrenme teknikleri kullanılarak, altın ve dolar paritesinin sonraki kur tahmini yapıldı. Öznitelik olarak çeşitli parametreler kullanıldı; muhtelif yapı ve özelliklerde çok katmanlı yapay sinir ağları eğitilerek regresyon analizi gerçekleştirildi. Bu analiz için üç farklı algoritmanın -Levenberg-Marquardt, Bayesian Regularization ve One-step secant algoritması- performansı; farklı gizli katman sayıları, bu katmanlarda kullanılan farklı nöron sayıları ve farklı aktivasyon fonksiyonları kullanılarak karşılaştırılmıştır. Performans metriği olarak belirleme katsayısı, mutlak ortalama hata, mutlak ortalama yüzde hata ve ortalama hata karekökü kullanıldı. Çalışmadaki en iyi sonuç, Levemberg Marquardt eğitim algoritması kullanılarak elde edildi.

Anahtar Kelimeler

• yapay zeka
• yapay sinir ağları
• geri yayılım algoritması
• regresyon

Using Different Neural Networks Learning Algorithms Next Rate Prediction of Gold/Dollar Parity.

Öz

Anahtar Kelimeler

• artificial intelligent
• ANN
• Back Propagation Algorithms

Kaynakça

1. Referans1 Syzdykova A. "Dünya Altin Fiyatlarini Etkileyen Faktörlerin Analizi". Avrasya Sosyal Ve Ekonomi Araştırmaları Dergisi, 5-11, 1-13,2008.
2. Referans2 Topçu A. “Altın Fiyatlarını Etkileyen Faktörler”. Spk Araştırma Raporu, Ankara, Türkiye, 2010.
3. Referans3 Küçükaksoy I, Yalçın D. "Altın Fiyatlarını Etkileyebilecek Faktörlerin Incelenmesi”. Ekonomik Ve Sosyal Araştırmalar Dergisi 13, 1-20, 2017.
4. Referans4 Altın Fiyatlarını Etkileyen Faktörler | Investaz Blog”. Https://Www.Investaz.Com.Tr/Blog/Altin- Fiyatlarini-Etkileyen-Faktorler/ (02.02.2021)
5. Referans5 Söylemez, Y. "Çok Katmanlı Yapay Sinir Ağları Yöntemi Ile Altın Fiyatlarının Tahmini". Sosyoekonomi 28, 271-291, 2020.
6. Referans6 Çam S., Kılıç S. “Altin Fiyati Günlük Getirilerinin Yapay Sinir Ağlari Algoritmasi Ve Markov Zincirleri Modelleri Ile Tahmini”. Uluslararası Iktisadi Ve Idari Incelemeler Dergisi 18. Eyi Özel Sayısı, 681-694,2018.
7. Referans7 Yüksel R, Akkoç S.” Altın Fiyatlarının Yapay Sinir Ağları Ile Tahmini Ve Bir Uygulama”. Doğuş Üniversitesi Dergisi, 17(1), 39-50,2016.
8. Referans8 Yazdani-Chamzini A. Yakhchali S. H Volungevičienė D. And Zavadskas E K. “Forecasting Gold Price Changes By Using Adaptive Network Fuzzy Inference System”. Journal Of Business Economics and Management, 13(5), 994-1010,2012.

9. Referans9 Sivalingam K C. Mahendran S, & Natarajan S. “Forecasting Gold Prices Based On Extreme Learning Machine”. Int. J. Comput. Commun. Control, 11, 372-380, 2016.
10. Referans10 Xau Usd Veri Geçmişi”. Https://Tr.Investing.Com/Currencies/Xau-Usd-Historical-Data (01.02.2021).
11. Referans11 “New York Menkul Kıymetler Borsası”, Https://Tr.Wikipedia.Org/Wiki/New_York_Menkul_K%C4%B1ymetler_Borsas%C4%B1 (02.02.2021).
12. Referans12 B Eyüboğlu, S.“Amerikan 10 Yıllık Tahvil Faizleri Ile Gelişmekte Olan Ülke Borsaları Arasındaki Ilişkinin Test Edilmesi”. Yönetim Bilimleri Dergisi, 16.31, 443-459,2018.
13. Referans13 Veri Bilimi Okulu”. Https://Www.Veribilimiokulu.Com/Blog/R-Kare-Ve-Duzel.(2021)
14. Referans14 Koc, T. & Akın, P. (2022). Estimation of High School Entrance Examination Success Rates Using Machine Learning and Beta Regression Models. Journal of Intelligent Systems: Theory and Applications, 5 (1) , 9-15 ,2022. DOI: 10.38016/jista.922663.