Döviz Kuru Öngörü Performansı İçin Alternatif Bir Yaklaşım: Yapay Sinir Ağı

Yapay sinir ağları (YSA) çok değişkenli ve değişkenler arasındaki karmaşık, karşılıklı etkileşimin bulunduğu veya tek bir çözüm kümesinin bulunmadığı durumlarda başarılı sonuçlar üreten bir yapay zekâ teknolojisidir. Yapay sinir ağları, özellikle günümüze kadar çözümü güç ve karmaşık olan ya da ekonomik olmayan çok farklı alanlardaki problemlerin çözümüne uygulanmış ve genellikle başarılı sonuçlar elde edilerek, kendisine geniş bir uygulama alanı bulmuştur.Öngörü modellemesi, birçok alanda olduğu gibi ekonomi alanı için de büyük bir önem taşımaktadır. Karar birimlerinin (hükümetler, üreticiler, tüketiciler vb.) davranışları ne olursa olsun, geleceğin doğru bir şekilde öngörülebilmesi, alınan kararların başarısı için vazgeçilmez bir zorunluluktur. Son yıllarda yapay sinir ağları öngörü için kullanılmaya başlanmıştır. Bu çalışmada, Ocak 1987 - Eylül 2007 dönemine ait aylık veriler kullanılarak, oluşturulan döviz kuru hem yapay sinir ağı hem de vektör otoregresif (VAR) modeli çerçevesinde öngörülmüş ve her iki yöntem için elde edilen sonuçların öngörü performansları karşılaştırılmıştır. Ayrıca, bu iki yaklaşımdan elde edilen öngörülerin birleştirilmesi yöntemiyle döviz kuru öngörü başarısının arttığı tespit edilmiştir. Bu çalışmada çok katmanlı ileri beslemeli bir yapay sinir ağı mimarisi ve geri yayılım öğrenme metodu uygulanmıştır.

An Alternative Approach for the Performance of Exchange Rate Projection: Artificial Neural Network

Artificial neural network (ANN) is an artificial intelligence technology that produces successful outcomes when there is complex and interaction between multivariate and variables or when there is not only one solution set. Artificial neural network has been applied to the solution of the problems which are difficult and complex or in fields that are not related to economics, and usually successful outcomes have been achieved, hence gained a wide field of application for itself. Whatever the behavior of the decision-makers (governments, producers, consumers, etc..) it is mandatory to envisage the future in an appropriate manner for the success of the decisions made. Projection modeling is of great importance for the field of economics as in many fields. During the last years, artificial neural networks have been used for the purposes of projection. In this study, exchange rate, based on the monthly data in the period of January 1987 - September 2007, has been projected within the frame of both artificial neural network and vector autoregressive (VAR) model and projection performances of the results obtained from the two methods have been compared. Besides, by combining the projections through the two approaches, it has been found out that the success of the projections for exchange rate has increased. In this study, a multilayered feed forward artificial neural network architecture and back propagation learning method were applied.

PDF

___

AKDİ Yılmaz, (2003), Zaman Serileri Analizi (Birim Kökler ve Kointegrasyon), Bıçaklar Kitabevi, Ankara.
GONZALEZ, Steven., (2000), Neural Networks for Macroeconomic Forecasting: A Complementary Approach to Linear Regression Models, Working Paper, Finance Canada.
GRANGER, C.W.J., (1969), “Investigating Casual Relations by Econometric Models and Cross-Spectral Methods”, Econometrica, Vol. 37, pp. 424 – 438.
GRANGER, C. W. J., (1981), “Some Properties of Time Series Data and Their Use in Econometric Model Specification”, Journal of Econometrics, pp. 121 – 130.
GRANGER, C.W.J., (1996), “Can We Improve the Perceived Quality of Economic Forecasts”, Journal of Applied Econometrics, Vol.11, pp. 455 – 473.
GRANGER, C.W.J, (2000), “ Thick Modelling and Forecasting”, METU Conference in Economics, Ankara.
GREENE, W. H., (1993), Econometric Analysis, Second Edition, Prentice-Hall,
HAMILTON, J. D. (1994), Time Series Analysis, Princeton University Press.
HAYKINS, S., (1999), Neural Networks a Comprehensive Foundation, Prentice Hall International, Inc.
KAASTRA,I. and BOYD., M., (1996), “Designing A Neural Network For Forecasting Financial and Econometric Time Series”, Neurocomputing, p. 10.
KOHONEN, T., (1982), “Self-organised Formation of Topologically Correct Feature Maps”, Biological Cybernetics, Vol. 43, pp. Vol. pp. 59 – 69.
MINSKY, M and PAPERT, S. (1969), Perceptrons, MIT Press, Cambridge, MA.
SIMS, C., (1980), “Macroeconomics and Reality”, Econometrica , Vol. 48, pp. 1–49.
ZHANG,G., Patuwo, B.E. and. HU., M., Y., (1998), “Forecasting with Artificial Neural Networks: The State of the Art”, International Journal of Forecasting, Vol. 14, pp. 35 – 62.
ZURADA, J.M., (1992), Introduction of Artificial Neural Systems, St. Paul: West Publishing.