HİBRİT MARKOV ZİNCİRİ SÜRECİ İLE ALTIN GETİRİSİNİN ÖNGÖRÜLMESİ

Altın getiri yönünün tahmin edilmesi hala finansal alanda önemini koruyan konulardan biridir. Fiyatlardaki hızlı değişimin belirli bir ekonometrik modele uyarlanamaması nedeniyle, altın fiyatını ve yönünü tahmin etmeye yönelik literatürde yer alan birçok çalışmada farklı yöntemlerin kullanıldığı görülmektedir. Bu çalışmada günlük altın getirisinin yönünü tahmin etmek amacıyla Markov zinciri işleyişi ve yapay sinir ağı (YSA) modeli birleştirilmiştir. Çalışmada ilk olarak altın getirileri ikinci dereceden Markov zinciri işleyişine uygun olarak düzenlenmiş, daha sonra YSA modelleri denenmiştir. Kullanılan verinin yapısından kaynaklanan beklentiler doğrultusunda, yapılan birçok YSA denemeleri, altının getiri yönünün daha detaylı incelenerek tahmin edilmesini ve elde edilen YSA modellerinin bir arada değerlendirilmesi gerektiğini göstermektedir. Önerilen entegre modelde altının getiri yönü, geçmiş dönemlere ait altın fiyat hareketlerinin yapısına bağlı olarak tahmin edilmeye çalışılmaktadır. Çalışma sonucunda elde edilen bulgular, altın getirisinin yönüyle ilgili anlamlı bilgiler sunmaktadır. Çalışmanın veri setini, Borsa İstanbul'un 27.7.1995 - 31.12.2014 dönemine ait günlük altın kapanış fiyatları (USD/Ons) oluşturmaktadır

PREDICTING GOLD RETURNS BY HYBRID MARKOV CHAIN PROCESS

Forecasting the direction of gold return is still an important topic in financial area. On account of rapid changes in gold price and failure to adapt to a specific econometric model, different methods are being used in the literature to estimate the price and direction of gold. In this study, Markov chain process was combined with the artificial neural network (ANN) model in order to provide a model for predicting the direction of daily gold return. First of all, daily gold prices were arranged in accordance with second order Markov chain, and then four ANN models were trained. With the proposed integrated model, the direction of gold returns was predicted depending on the structure of the gold price movements belong to the previous periods. Findings of this study, offers valuable information about the direction of gold returns. The data sets of the study covers the daily closing gold prices (USD/Ounce) belong to the time period 27.07.199531.12.2014 and obtained from Istanbul Stock Exchange

PDF

___

Aggarwal, R. ve B.M. Lucey ( 2007), “Psychological Barriers in Gold Prices?”, Review of Financial Economics, 16, 217 – 230.
Akaev, A.A., V.A.Sadovnichi ve A. V. Korotaev (2011), “Huge Rise in Gold And Oil Prices as a Precursor of a Global Financial and Economic Crisis“, Doklady Mathematics, Vol. 83, No. 2, pp. 243– 246.
Aladağ, Z. (2011), Karar Teorisi, No.45. Ankara: Umuttepe Yayınları. Baur, D. G. ve K. J. Glover (2014), “Heterogeneous Expectations in the Gold Market: Specification and Estimation”, Journal of Economic Dynamics & Control, 40, 116–133.
Benli, Y. K. ve A.Yıldız (2014), “Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, Ekim, Sayı. 42, 213-224.
Blose, L. E. (2010), “Gold Prices, Cost of Carry,and Expected Inflation”, Journal of Economics and Business, 62, 35–47.
Chamzini, A., Y. S. H. Yakhchali, D. Volungevičienė, K. Zavadskas (2012), “Forecasting Gold Price Changes by Using Adaptive Network Fuzzy Inference System “, Journal of Business Economics and Management, 13(5): 994–1010.
Chang, C.L., J.C.D. Chang, Y.W. Huang (2013), “Dynamic Price Integration in the Global Gold Market”, North American Journal of Economics and Finance, 26, 227– 235.
Chen, C.J., Y. Huang ve Lai, K.K. (2014), “A Trend Tracking Strategy for Gold Future – An Artificial Neutral Network Analysis”, 2013 Sixth International Conference on Business Intelligence and Financial Engineering, IEEE, 31-35.
Kılıç, S. B. (2013), “Integrating Artificial Neural Network Models by Markov Chain Process: Forecasting the Movement Direction of Turkish Lira/US Dollar Exchange Rate Returns”, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt 22, Sayı 2, 97- 110.
Kocatepe, C.İ. ve Yıldız, O. (2016), “Ekonomik Endeksler Kullanılarak Türkiye’deki Altın Fiyatındaki Değişim Yönünün Yapay Sinir Ağları İle Tahmini”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 4, 926-934.
Mishra, S.S. (2014), “Neural Computing Approach to Develop of Customer Profile Indicator for Financial Inventory Management”, American Journal of Operational Research, 4(1), 10-15. Malliaris, A.G. ve M. Malliaris (2013), “Are Oil, Gold and the Euro Interrelated? Time Series and Neural Network Analysis”, Rev Quant Finan Acc., 40:1–14.
Özdağoğlu, A., G. Özdağoğlu ve G. Kurt Gümüş (2012), “Altın Fiyatındaki Dağılımların Markov Zinciri ile Analizi: Uzun Erimli Olasılıklar", Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı. 40, Haziran-Aralık, 119-142.
Öztürk, A. (2011), Yöneylem Araştırması, 13. Baskı, Bursa: Ekin Yayınevi.
Parisi, A., F. Parisi ve D. Diaz (2008), “Forecasting Gold Price Changes: Rolling and Recursive Neural Network Models”. J. of Multi. Fin. Manag, 18, 477–487.
Taha. A. H. (2007), Operations Research: An Introduction. Eighth Edition. London: Pearson Education Ltd.
Topçu, A. (2010), “Altın Fiyatlarını Etkileyen Faktörler”, Sermaye Piyasası Kurulu Araştırma Raporu, Araştırma Dairesi, Ocak, 1-36.
Yu, L. ve K. K. Lai (2007), Foreign Exchange Rate Forcasting with Artificial Neural Networks, New York: Springer Science+Business Media, LLC.
Yüksel, R. ve Akkoç, S. (2016), “Altın Fiyatlarının Yapay Sinir Ağları ile Tahmini ve Bir Uygulama”, Doğuş Üniversitesi Dergisi, 17(1), 39- 50.
Zhang, Y. J. ve Y.M. Wei (2010), “The Crude Oil Market and the Gold Market: Evidence for Cointegration, Causality and Price Discovery”, Resources Policy, 35, 168–177.