SavedAdd your journal

Journals / Turkish Journal of Forecasting / 2026 / Volume: 10 Issue: 1

Trade Forecasting: Classical and Artificial Neural Network Methods

Merve Özdemir0000-0002-9179-6547
Hatice Doğan(GİRESUN ÜNİVERSİTESİ)0000-0002-5952-5229
Pages
—
Publication Date
2026-03-12
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results indicate that forecast error values differ across countries for both imports and exports; however, in terms of overall performance, the ARIMA model was found to provide more accurate and reliable forecasts compared to the other methods.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:With recent technological advancements, production capacities have increased significantly, contributing positively to the economic development of both countries and firms.
📊
Key Findings & Data:Therefore, the export and import performance of countries is of critical importance.
💡
Conclusion & Impact:The results indicate that forecast error values differ across countries for both imports and exports; however, in terms of overall performance, the ARIMA model was found to provide more accurate and reliable forecasts compared to the other methods.
🔬Design:Modeling & Simulation
📍Scope:2013 Verileri
⚙️Variables:Foreign Trade · Forecasting · Import

Abstract

With recent technological advancements, production capacities have increased significantly, contributing positively to the economic development of both countries and firms. Foreign trade plays a crucial role in achieving sustainable economic growth, as it enhances employment, competitiveness, foreign exchange inflows, and value-added production. Therefore, the export and import performance of countries is of critical importance. This study aims to generate forecasts for export and import volumes using Türkiye’s monthly foreign trade data and to comparatively evaluate the accuracy of different forecasting methods. In this context, monthly data covering the period from January 2013 to September 2024 for 13 countries with which Türkiye conducts trade were used to produce 27-month forecasts for the period from October 2024 to December 2026. In addition, data for the period from October 2023 to September 2024 were excluded from the analysis and used to generate new 12-month out-of-sample forecasts. Forecasts were compared with actual values, and the performance of the methods was evaluated using the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) metrics. The analysis employed ARIMA, ETS, Auto DeepDENT, and Simple Forecast Combination methods. The results indicate that forecast error values differ across countries for both imports and exports; however, in terms of overall performance, the ARIMA model was found to provide more accurate and reliable forecasts compared to the other methods.

🔖

Cite This Article

Özdemir, M., Doğan, H. (2026). Trade Forecasting: Classical and Artificial Neural Network Methods. Turkish Journal of Forecasting, Volume: 10 Issue: 1. https://doi.org/10.34110/forecasting.1873752

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (29)

  1. Alam, T. (2019). Forecasting exports and imports through artificial neural network and autoregressive integrated moving average. Decision Science Letters, 8(3), 249-260.
  2. Altınay, M. (2024). İzmir dış ticaretinin gelişimi ve yoğunlaşma analizi (2013-2023). Bölgesel Kalkınma Dergisi, 2(3), 235-263, DOI: 10.61138/bolgeselkalkinmadergisi.1576229.
  3. Bates, J. M., & Granger, C. W. J. (1969). The combination of forecasts. Operational Research Quarterly, 20(4), 451-468.
  4. Bayır, F. (2006). Yapay sinir ağları ve tahmin modellemesi üzerine bir uygulama (Yayınlanmamış yüksek lisans tezi). İstanbul Üniversitesi.
  5. Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. San Francisco: Holden-Day Inc.
  6. Co, H. C., & Boosarawongse, R. (2007). Forecasting Thailand’s rice export: Statistical techniques vs. artificial neural networks. Computers & Industrial Engineering, 53(4), 610-627.
  7. DTM (Dış Ticaret Müsteşarlığı). (2007). Avrupa Birliği ve Türkiye (6. baskı). Dış Ticaret Müsteşarlığı Avrupa Birliği Genel Müdürlüğü Yayını.
  8. Eğrioğlu, E., & Baş, E. (2024). A new deep neural network for forecasting: Deep dendritic artificial neural network. Artificial Intelligence Review, 57(7), 171.
  9. Gardner, E. S. (1985). Exponential smoothing: The state of the art. Journal of Forecasting, 4(1), 1-28.
  10. Güler, D., Saner, G., & Naseri, Z. (2017). Yağlı tohumlu bitkiler ithalat miktarlarının arıma ve yapay sinir ağları yöntemleriyle tahmini. Balkan ve Yakın Doğu Sosyal Bilimler Dergisi, 3(1), 60-70.
  11. Gür, Y. E., & Eşidir, K. A. (2023). Yapay sinir ağları ile Türkiye plastik sektörü ithalat tahmini: 2023 yılı Nisan-Aralık ayları. Akademik Hassasiyetler, 10(23).
  12. Hyndman, R. J., Koehler, A. B., Snyder, R. D., & Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18(3), 439-454.
  13. Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 2-4, 11-13.
  14. Karahan, M. (2015). Yapay sinir ağları metodu ile ihracat miktarlarının tahmini: ARIMA ve YSA metodunun karşılaştırmalı analizi. Ege Akademik Bakış, 15(2), 165-172.
  15. Ketboğa, M. (2019). Türkiye’de dış ticaret açığına neden olan unsurlar, bu unsurlardan katma değeri düşük ürün ihracatının Türkiye ekonomisi üzerindeki etkileri ve çözüm önerileri. Batman Üniversitesi Yaşam Bilimleri Dergisi, 9(2), 209-24.
  16. Kurt, R., Karayılmazlar, S., İmren, E., & Çabuk, Y. (2017). Yapay sinir ağları ile öngörü modellemesi: Türkiye kağıt-karton sanayi örneği. Bartın Orman Fakültesi Dergisi, 19(2), 99-106.
  17. Kurt, A. S. (2022). Türkiye ekonomisi için ihracat ve ithalatın yapay sinir ağları ile tahmini. Mali Ekonomi, 6(2), 808-822.
  18. Özdağ, M. E., Yeşilkaya, M., & Çabuk, Y. (2017). Türkiye-Almanya mobilya dış ticaretinin yapay sinir ağları ile tahmini. Bartın Orman Fakültesi Dergisi, 19(2), 136-143.
  19. Pegels, C. C. (1969). Exponential forecasting: Some new variations. Management Science, 15(5), 311-313.
  20. Polat, Ö. (2009). Türkiye’nin dış ticaret verilerinin öngörüsünde yapay sinir ağları ve Box-Jenkins modellerinin karşılaştırmalı analizi (Doktora Tezi, Atatürk Üniversitesi).
  21. Taylor, J. W. (2003). Exponential smoothing with a damped multiplicative trend. International Journal of Forecasting, 19, 715-725.
  22. Tekin, T. G. (2023). Geniş ekonomik grupların ihracat değerinin yapay sinir ağları yöntemiyle tahminlenmesi. EKEV Akademi Dergisi, 95, 319-335.
  23. Temuçin, T., & Temiz, İ. (2016). Türkiye dış ticaret ihracat hacminin projeksiyonu: Holt-Winters ve Box-Jenkins modellerinin bir kıyaslaması. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(3).
  24. Turaç, A. (2020). Yapay sinir ağları ile tahminleme: Türkiye’nin ihracatının tahmini üzerine bir uygulama (Yüksek lisans tezi, Gebze Teknik Üniversitesi).
  25. TUIK (2025). Türkiye İstatistik Kurumu, https://data.tuik.gov.tr/Kategori/GetKategori?p=Dis-Ticaret-104 E.T. 20.01.2026.
  26. Ünal, A., & Kaya, H. (2009, Şubat). Küresel kriz ve Türkiye. Ekonomi ve Politika Araştırma Merkezi Raporu.
  27. Wanto, A., Hayadi, B. H., Subekti, P., Sudrajat, D., Wikansari, R., Bhawika, G. W., & Surya, S. (2019, Ağustos). Forecasting the export and import volume of crude oil, oil products and gas using ANN. Journal of Physics: Conference Series, 1255(1), 012016. IOP Publishing.
  28. Yaman, B., & Akgül, Y. (2020). Türkiye’nin ihracat değerlerinin yapay sinir ağları ile tahmini üzerine bir inceleme (Doktora tezi, Eskişehir Osmangazi Üniversitesi).
  29. Yurdakul, E. M. (2014). Türkiye'de ithalatın gelişimi ve ithalatın yapay sinir ağları yöntemi ile tahmin edilebilirliğine yönelik bir analiz (Doktora tezi, Adnan Menderes Üniversitesi).