Makroekonomik zaman serisi analizi ve yapay sinir ağı uygulamaları

Abstract

Son yıllarda zaman serisi analizinde yapay sinir agı modellerinin kullanımına ilgiartmaktadır. Dogrusal dısı modelleme basarısı, veri setinden ögrenebilme yetenegi ve veriyaratma sürecine kısıt getirmemesi gibi özellikler yapay sinir agı modellerini çekicikılmaktadır. Diger taraftan farklı bir terminolojiye sahip olması ve parametrik olamayandogası ise bir dezavantaj olarak görülmektedir. Bu çalısmada iktisadi zaman serilerinin sahipoldugu farklı anahtar özellikler durumunda yapay sinir agı modellerinin kullanımınınuygunlugu arastırılmaktadır. Bu amaçla mevsimsellik, yapısal kırılma, volatilite ve dogrusaldısılık gibi özelliklere sahip farklı zaman serileri kullanılmıstır. lk olarak bu seriler sahipoldukları bu anahtar özellikler durumda kullanılan geleneksel modellerle modellenmistir.kinci olarak ilgili seriler yapay sinir agı modelleriyle modellenmis ve önraporlamaperformansları karsılastırılmıstır. Elde edilen sonuçlar volatilite dısında diger durumlardayapay sinir agı modellerinin kullanılabilecegini destekler yöndedir.Anahtar Sözcükler: Zaman Serileri, Yapay Sinir Agı, leri Beslemeli Ag, ARIMAModelleri, Önraporlama

There is an increasing interest in time series analysis using artificial neural networks models(ANN) in recent years. ANN models are attractive because of their nonlinear modellingsuccess, learning from data capability. On the other hand it is a disadvantage that it has adifferent nomenclature and nonparametric nature. In this study it was investigated that inwhich cases it is usefull to use ANN models in economic time series analysis. For thispurpose, some economic time series which have different key features such as seasonality,structural break, volatility and nonlinearity are used. Firstly these series are modelled byusing traditional methods. Secondly same series are modelled by using ANN models andforecasting performance of those models are compared. Results are supported that except forvolatility, ANN models can be used as a time series analysis method.Key Words:Time Series, Artificial Neural Networks, Feedforward Networks, ARIMA,Forecasting