Araştırma Makalesi
BibTex RIS Kaynak Göster

AMERİKAN DOLARI KURUNUN YAPAY SİNİR AĞLARI YÖNTEMİYLE TAHMİNLENMESİ: 2009 – 2021 DÖNEMİ

Yıl 2023, , 56 - 77, 31.01.2023
https://doi.org/10.33723/rs.1232231

Öz

Bu çalışmada Türk Lirası cinsinden Amerikan Doları (çalışmanın geri kalan kısmında dolar olarak anılacaktır) kuru değerinin yapay sinir ağları yöntemiyle tahminlenmesi ve yapay sinir ağları yönteminin dolar kuru tahminlemesinde başarılı olup olmadığının tespitinin yapılması hedeflenmektedir. Bu amaçla yapay sinir ağı, 2009 - 2021 dönemindeki yedi ayrı zaman serisine ait verilerle eğitilerek aynı dönem tahminlenmiştir. Tahmin değerleri gerçek değerlerle karşılaştırılmış ve hata metrikleri hesaplanmıştır. Çalışmada kullanılan tüm veriler Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sistemi’nden alınmıştır. Veriler MATLAB 2013 programı aracılığıyla analiz edilmiştir. Yapılan analiz sonrası MAE, MSE ve MAPE hata metrikleri hesaplanmıştır. Elde edilen sonuçlara göre MSE değeri 0,0019355, MAE değeri 0,01738, MAPE değeri ise 0,5137 olarak hesaplanmıştır. Bu bulgu kurulan modelin % 0,5137 (yaklaşık binde beş) hata oranı ile dolar kurunu tahmin ettiğini göstermektedir.

Kaynakça

  • Ağyar, Z. (2015). Yapay sinir ağlarının kullanım alanları ve bir uygulama. Mühendis ve Makine, 56(662), 22-23.
  • Akkaya, G. C., Demireli, E. & Yakut, Ü. H. (2009). İşletmelerde finansal başarısızlık tahminlemesi: Yapay sinir ağları ile İMKB üzerine bir uygulama. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 10(2), 187-216.
  • Aktaş, R., Doğanay, M. M. & Yıldız, B. (2003). Mali başarısızlığın öngörülmesi: İstatistiksel yöntemler ve yapay sinir ağı karşılaştırılması. Ankara Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 58(4), 1-24.
  • Altunöz, U. (2013). Bankaların finansal başarısızlıklarının yapay sinir ağları modeli çerçevesinde tahmin Eedilebilirliği. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), 189-217.
  • Atlı, D. F. (2022). Yapay sinir ağlarının eğitimi için salp sürü optimizasyonu algoritmasının iyileştirilmesi, (Tez No. 743583) [Yüksek Lisans Tezi, Necmettin Erbakan Üniversitesi].
  • Başpınar, U. (2006). PIC mikrodenetleyici ile yapay sinir ağı donanım modülü, (Tez No. 185234) [Yüksek Lisans Tezi, Marmara Üniversitesi].
  • Bulut, C. (2018). Beyin bilgisayar arayüzü uygulamaları için EEG sinyal analizi, (Tez No. 507466) [Yüksek Lisans Tezi, Altınbaş Üniversitesi].
  • Çelik, B. (2008). Yapay sinir ağları metodolojisi ile zaman serisi analizi: Teori ve uygulama, (Tez No. 227201) [Yüksek Lisans Tezi, Marmara Üniversitesi].
  • Diler, A. İ. (2003). “İMKB Ulusal – 100 endeksinin yönünün yapay sinir ağları hata geriye yayma yöntemi ile tahmin edilmesi”, İMKB Dergisi, 7(25-26), 65-81.
  • Eğrioğlu, E., Yolcu, U. & Baş, E. (2019). Yapay sinir ağları öngörü ve tahmin uygulamaları. Nobel Yayıncılık.
  • Ekin, E. & Akdoğan, Ö. Ç. (2018). Yapay sinir ağları ve monte carlo tree search algoritması ile tavla oyunu uygulaması. Social Sciences Research Journal, 7(2), 246-261.
  • Hebb, D.O. (1949). The organization of behaviour a neuropsychological theory. John Wiley & Sons.
  • Herz, A., Sulzer B., Kühn, R. & Van Hemmen, J.L. (1988). The Hebb rule: Storing static and dynamic objects in an associative neural network. Europhysics Letters, 7(7), 663-669.
  • Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554-2558.
  • Jain, A. K. & Mao, J. (1996). Artificial neural networks: A tutorial. Computer, 29(3), 31-44.
  • Kargül, İ. D. (2011). Günümüzde rezerv para. Istanbul Journal of Sociological Studies, (43), 139-142.
  • Kaya, İ., Oktay, S. ve Engin, O. (2005). Kalite kontrol problemlerinin çözümünde yapay sinir ağlarının kullanımı. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(1-2), 92-107.
  • Koç, M. L., Balas, C. E. & Arslan, A. (2004). Taş dolgu dalgakıranların yapay sinir ağları ile ön Tasarımı. Teknik Dergi, 15(74), 3351-3375.
  • Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43(1), 59-69.
  • Krogh, A. (2008). What are artificial neural networks?. Nature Biotechnology, 26(2), 195-197.
  • Kutlu B. & Badur B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim Dergisi, 20(63), 25-40.
  • Lu, W., Li, J., Li, Y., Sun, A. & Wang, J. (2020). A CNN – LSTM – based model to forecast stock prices. Complexity, 1-10.
  • McCulloch, W. S. & Pitts, W. H. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133.
  • Mombeini, H. & Yazdani Chamzini, A. (2015). Modeling gold price via artificial neural network. Journal of Economics Business and Management, 3(7), 699-703.
  • Öztemel, E. (2006). Yapay Sinir Ağları. Papatya Yayıncılık. Roh, T. H. (2007). Forecasting the volatility of stock price index. Expert Systems with Applications, 33(4), 916-922.
  • Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386.
  • Saatçioğlu, D. & Özçakar, N. (2016). Yapay sinir ağları yöntemi ile aralıklı talep tahmini. Beykoz Akademi Dergisi, 4(1), 1-32.
  • Sevinçtekin, E. (2014). İmalat sektöründe yapay sinir ağları uygulaması, (Tez No. 364178) [Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi].
  • Shcherbakov, M. V., Brebels, A., Shcherbakova, N. L., Tyukov, A. P., Janovsky, T. A. & Kamaev, V. A. (2013). A survey of forecast error measures. World Applied Sciences Journal, 24(24), 171-176.
  • Shehadeh, A., Alshboul, O., Al Mamlook, R. E. & Hamedat, O. (2021). Machine learning models for predicting the residual value of heavy construction equipment: An evaluation of modified decision tree, LightGBM and XGBoost regression. Automation in Construction, 129, 1-16.
  • Singhal, D. & Swarup K.S. (2011). Electricity price forecasting using artificial neural networks. Electrical Power and Energy Systems, 33(3), 550-555.
  • Tayman, J. & 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.
  • Tektaş, A. & Karataş, A. (2004). Yapay sinir ağları ve finans alanına uygulanması: Hisse senedi fiyat tahminlemesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(3-4), 337-349.
  • Terzi, Ö. (2006). Yapay sinir ağları metodu ile Eğirdir Gölü su sıcaklığının tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(2), 297-302.
  • Tkacz, G. (2001). Neural network forecasting of Canadian GDP growth. International Journal of Forecasting, 17(1), 57-69.
  • Tu, J. V. (1996). Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. Journal of Clinical Epidemiology, 49(11), 1225-1231.
  • Türk, E. & Kiani, F. (2019). Yapay sinir ağları ile talep tahmini yapma: Beyaz eşya üretim planlaması için YSA uygulaması. İstanbul Sebahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 1(1), 30-37.
  • Vural, B. B. (2007). Yapay sinir ağları ile finansal tahmin, (Tez No. 208211) [Yüksek Lisans Tezi, Ankara Üniversitesi].
  • Wang, Y., Wang, L., Yang, F., Di, W. & Chang, Q. (2021). Advantages of direct input - to – output connections in neural networks: The Elman network for stock index forecasting. Information Sciences, 547, 1066-1079.
  • Yetkin, M. (2014). Tanker Şamandıra Bağlama Sistemlerinin Yapay Sinir Ağları Tekniğiyle Optimizasyonu, (Tez No. 419525) [Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi].
  • Yüksel, R. & Akkoç, S. (2016). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. Doğuş Üniversitesi Dergisi, 17(1), 39-50.

Estimating The American Dollar Exchange Rate By Artificial Neural Networks: 2009 – 2021 Period

Yıl 2023, , 56 - 77, 31.01.2023
https://doi.org/10.33723/rs.1232231

Öz

In this study, it is aimed to estimate the exchange rate of US Dollar in Turkish Lira (referred to as dollar in the rest of the study) by artificial neural network method and to determine whether the artificial neural network method is successful in estimating the dollar exchange rate. For this purpose, the artificial neural network was trained with the data of seven different time series in the period 2009 - 2021 and the same period was estimated. Estimated values were compared with actual values and error metrics were calculated. All data used in the study were obtained from the Central Bank of the Republic of Turkey Electronic Data Delivery System. The data were analyzed using the MATLAB 2013 program. After the analysis, MAE, MSE and MAPE error metrics were calculated. According to the results obtained, the MAE value was calculated as 0,01738, the MSE value as 0,0019355, and the MAPE value as 0,5137. This finding shows that the established model estimates the dollar exchange rate with an error rate of 0,5137% (approximately five per thousand).

Kaynakça

  • Ağyar, Z. (2015). Yapay sinir ağlarının kullanım alanları ve bir uygulama. Mühendis ve Makine, 56(662), 22-23.
  • Akkaya, G. C., Demireli, E. & Yakut, Ü. H. (2009). İşletmelerde finansal başarısızlık tahminlemesi: Yapay sinir ağları ile İMKB üzerine bir uygulama. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 10(2), 187-216.
  • Aktaş, R., Doğanay, M. M. & Yıldız, B. (2003). Mali başarısızlığın öngörülmesi: İstatistiksel yöntemler ve yapay sinir ağı karşılaştırılması. Ankara Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 58(4), 1-24.
  • Altunöz, U. (2013). Bankaların finansal başarısızlıklarının yapay sinir ağları modeli çerçevesinde tahmin Eedilebilirliği. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), 189-217.
  • Atlı, D. F. (2022). Yapay sinir ağlarının eğitimi için salp sürü optimizasyonu algoritmasının iyileştirilmesi, (Tez No. 743583) [Yüksek Lisans Tezi, Necmettin Erbakan Üniversitesi].
  • Başpınar, U. (2006). PIC mikrodenetleyici ile yapay sinir ağı donanım modülü, (Tez No. 185234) [Yüksek Lisans Tezi, Marmara Üniversitesi].
  • Bulut, C. (2018). Beyin bilgisayar arayüzü uygulamaları için EEG sinyal analizi, (Tez No. 507466) [Yüksek Lisans Tezi, Altınbaş Üniversitesi].
  • Çelik, B. (2008). Yapay sinir ağları metodolojisi ile zaman serisi analizi: Teori ve uygulama, (Tez No. 227201) [Yüksek Lisans Tezi, Marmara Üniversitesi].
  • Diler, A. İ. (2003). “İMKB Ulusal – 100 endeksinin yönünün yapay sinir ağları hata geriye yayma yöntemi ile tahmin edilmesi”, İMKB Dergisi, 7(25-26), 65-81.
  • Eğrioğlu, E., Yolcu, U. & Baş, E. (2019). Yapay sinir ağları öngörü ve tahmin uygulamaları. Nobel Yayıncılık.
  • Ekin, E. & Akdoğan, Ö. Ç. (2018). Yapay sinir ağları ve monte carlo tree search algoritması ile tavla oyunu uygulaması. Social Sciences Research Journal, 7(2), 246-261.
  • Hebb, D.O. (1949). The organization of behaviour a neuropsychological theory. John Wiley & Sons.
  • Herz, A., Sulzer B., Kühn, R. & Van Hemmen, J.L. (1988). The Hebb rule: Storing static and dynamic objects in an associative neural network. Europhysics Letters, 7(7), 663-669.
  • Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554-2558.
  • Jain, A. K. & Mao, J. (1996). Artificial neural networks: A tutorial. Computer, 29(3), 31-44.
  • Kargül, İ. D. (2011). Günümüzde rezerv para. Istanbul Journal of Sociological Studies, (43), 139-142.
  • Kaya, İ., Oktay, S. ve Engin, O. (2005). Kalite kontrol problemlerinin çözümünde yapay sinir ağlarının kullanımı. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(1-2), 92-107.
  • Koç, M. L., Balas, C. E. & Arslan, A. (2004). Taş dolgu dalgakıranların yapay sinir ağları ile ön Tasarımı. Teknik Dergi, 15(74), 3351-3375.
  • Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43(1), 59-69.
  • Krogh, A. (2008). What are artificial neural networks?. Nature Biotechnology, 26(2), 195-197.
  • Kutlu B. & Badur B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim Dergisi, 20(63), 25-40.
  • Lu, W., Li, J., Li, Y., Sun, A. & Wang, J. (2020). A CNN – LSTM – based model to forecast stock prices. Complexity, 1-10.
  • McCulloch, W. S. & Pitts, W. H. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133.
  • Mombeini, H. & Yazdani Chamzini, A. (2015). Modeling gold price via artificial neural network. Journal of Economics Business and Management, 3(7), 699-703.
  • Öztemel, E. (2006). Yapay Sinir Ağları. Papatya Yayıncılık. Roh, T. H. (2007). Forecasting the volatility of stock price index. Expert Systems with Applications, 33(4), 916-922.
  • Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386.
  • Saatçioğlu, D. & Özçakar, N. (2016). Yapay sinir ağları yöntemi ile aralıklı talep tahmini. Beykoz Akademi Dergisi, 4(1), 1-32.
  • Sevinçtekin, E. (2014). İmalat sektöründe yapay sinir ağları uygulaması, (Tez No. 364178) [Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi].
  • Shcherbakov, M. V., Brebels, A., Shcherbakova, N. L., Tyukov, A. P., Janovsky, T. A. & Kamaev, V. A. (2013). A survey of forecast error measures. World Applied Sciences Journal, 24(24), 171-176.
  • Shehadeh, A., Alshboul, O., Al Mamlook, R. E. & Hamedat, O. (2021). Machine learning models for predicting the residual value of heavy construction equipment: An evaluation of modified decision tree, LightGBM and XGBoost regression. Automation in Construction, 129, 1-16.
  • Singhal, D. & Swarup K.S. (2011). Electricity price forecasting using artificial neural networks. Electrical Power and Energy Systems, 33(3), 550-555.
  • Tayman, J. & 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.
  • Tektaş, A. & Karataş, A. (2004). Yapay sinir ağları ve finans alanına uygulanması: Hisse senedi fiyat tahminlemesi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 18(3-4), 337-349.
  • Terzi, Ö. (2006). Yapay sinir ağları metodu ile Eğirdir Gölü su sıcaklığının tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(2), 297-302.
  • Tkacz, G. (2001). Neural network forecasting of Canadian GDP growth. International Journal of Forecasting, 17(1), 57-69.
  • Tu, J. V. (1996). Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. Journal of Clinical Epidemiology, 49(11), 1225-1231.
  • Türk, E. & Kiani, F. (2019). Yapay sinir ağları ile talep tahmini yapma: Beyaz eşya üretim planlaması için YSA uygulaması. İstanbul Sebahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 1(1), 30-37.
  • Vural, B. B. (2007). Yapay sinir ağları ile finansal tahmin, (Tez No. 208211) [Yüksek Lisans Tezi, Ankara Üniversitesi].
  • Wang, Y., Wang, L., Yang, F., Di, W. & Chang, Q. (2021). Advantages of direct input - to – output connections in neural networks: The Elman network for stock index forecasting. Information Sciences, 547, 1066-1079.
  • Yetkin, M. (2014). Tanker Şamandıra Bağlama Sistemlerinin Yapay Sinir Ağları Tekniğiyle Optimizasyonu, (Tez No. 419525) [Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi].
  • Yüksel, R. & Akkoç, S. (2016). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. Doğuş Üniversitesi Dergisi, 17(1), 39-50.
Toplam 41 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular İşletme
Bölüm Makaleler
Yazarlar

Tahsin Galip Tekin 0000-0002-2642-5838

Sait Patır 0000-0002-1592-1094

Yayımlanma Tarihi 31 Ocak 2023
Gönderilme Tarihi 11 Ocak 2023
Kabul Tarihi 31 Ocak 2023
Yayımlandığı Sayı Yıl 2023

Kaynak Göster

APA Tekin, T. G., & Patır, S. (2023). AMERİKAN DOLARI KURUNUN YAPAY SİNİR AĞLARI YÖNTEMİYLE TAHMİNLENMESİ: 2009 – 2021 DÖNEMİ. R&S - Research Studies Anatolia Journal, 6(1), 56-77. https://doi.org/10.33723/rs.1232231
R&S - Research Studies Anatolia Journal 

https://dergipark.org.tr/rs