AVRUPA BİRLİĞİ ÜYESİ ÜLKELERİN MORGAN STANLEY CAPITAL INTERNATIONAL ENDEKSLERİNİN DEĞERLENDİRİLMESİ ve YAPAY SİNİR AĞLARI İLE ÖNGÖRÜSÜ

Finansal öngörü hem akademisyenler hem de yatırımcılar açısından ekonominin geleceği hakkında fikir sağlayan önemli bir konudur. Bu çalışmada Avrupa Birliği üyesi on dört ülkenin Morgan Stanley Capital International endekslerinin değerlendirilmesi ve öngörülmesi amaçlanmıştır. Öngörü için yapay sinir ağları analizi seçilmiştir. Çalışmanın verileri 31 Aralık 1987-31 Ekim 2013 dönemini kapsamaktadır. Her bir endeks için yapay sinir ağı mimarisi ayrı ayrı belirlenmiştir. Çalışmada yer alan veriler aylık olduğundan 12 gecikmeli zaman serisi kullanılmıştır. Buna göre girdi tabakasında yer alacak nöronların sayısı 12 olarak belirlenmiştir. Gizli tabakadaki nöron sayısının seçimi için, nöron sayısının 1 ile 12 arasında değiştiği 12 durum her bir ülke için değerlendirilmiştir ve test kümelerinden elde edilen minimum HKOK değerine sahip model mimari yapıyı oluşturmuştur. Her bir ülke için oluşturulan mimari yapı kullanılarak ağın eğitimi gerçekleştirilerek en iyi ağırlık değerleri hesaplanmıştır. Elde edilen model yardımıyla test kümeleri için öngörüler elde edilmiştir. Performans ölçütü olarak HKOK ve MHO değerlerine bakılmıştır.

EVALUATE THE MORGAN STANLEY CAPITAL INTERNATIONAL INDEX OF THE EUROPEAN UNION COUNTRIES AND FORECAST BY ARTIFICAL NEURAL NETWORKS

Financial forecasting is an important issue that providing an idea about the future of the economy according to both academics and investors. In this study, we aimed to evaluate and forecast the Morgan Stanley Capital International index of the fourteen European Union countries. Artificial neural networks is chosen for forecasting. Data period is 31 December 1987-31 October 2013. The artificial neural network architecture is determined separately for each index. 12 lagged time series is used in the study because of the data is monthly. The number of neurons in the input layer is 12. For the selection of the number of neurons in the hidden layers, number of neurons that vary between 1 and 12 of the 12 cases are evaluated for each country. The model having a minimum RMSE and MAE value was created network architecture. For each country, the best weight values were calculated. As performance criteria the RMSE and MAE was selected.