AI Summary & Key Takeaways
AI InsightHibrit modeller ile elde edilen tahminler karşılaştırıldığında, en iyi performans değerlerine çok değişkenli GARCH-tipi model sınıfına ait olan Dinamik Koşullu Korelasyon Modeli (DCC-MGARCH) ve Çok Katmanlı Algılayıcılı Modeller(MLP) tarafından oluşturulan model yapısı ile ulaşıldığı belirlenmektedir.
📌 3 Key Takeaways
Özet
Ticari mallar olarak ifade edilen emtia, sanayi metalleri, değerli metaller, tarımsal ürünler ve enerji ürünleri gibi birçok alt gruba ayrılmaktadır. Yüksek işlem hacimli enstrümanlar arasında olan ve birincil enerji tüketiminde ilk sırada yer alan petrolün fiyatındaki oynaklığının artmasıyla ortaya çıkan belirsizlik, tüketicilerin ve üreticilerin harcama, tasarruf ve yatırım kararlarını değiştirmesine ve potansiyel olarak kaynakların yeniden tahsis edilmesine neden olmaktadır. Yüksek frekanslı serilerde zamana göre değişen ve kümelenme eğilimi gösteren oynaklığın modellenmesinde çoğunlukla Genelleştirilmiş Otoregresif Koşullu Değişen Varyans (GARCH) tipi modellerden faydalanılmaktadır. Bununla birlikte, doğrusal yapının yanında eğrisel yapıyı da modelleyebilen Yapay Sinir Ağları (ANN), GARCH-tipi modellere iyi bir seçenek olarak ortaya çıkmaktadır. Çalışma kapsamında, literatürde henüz yaygın olarak kullanılmayan, sistem olarak tahmin edilen çok değişkenli GARCH tipi modellerden elde edilen oynaklık değerlerinin ANN’de çıktı katmanı olarak yer almasıyla elde edilen hibrit model (Tip-II) yapısı kullanılarak Eylül-1992 ve Temmuz-2019 dönemleri itibariyle petrol fiyatlarındaki oynaklık yapısı incelenmektedir. Hibrit modeller ile elde edilen tahminler karşılaştırıldığında, en iyi performans değerlerine çok değişkenli GARCH-tipi model sınıfına ait olan Dinamik Koşullu Korelasyon Modeli (DCC-MGARCH) ve Çok Katmanlı Algılayıcılı Modeller(MLP) tarafından oluşturulan model yapısı ile ulaşıldığı belirlenmektedir.