AI Summary & Key Takeaways
AI InsightConclusion- As a result, hybrid models that combine ARIMA and machine learning method can be used an alternative method in forecasting economic and financial data
📌 3 Key Takeaways
Abstract
Purpose- The aim of this study is to investigate whether the models developed by using Machine Learning methods are an alternative method for forecasting time series. Methodology-Traditionally, the Autoregressive Integrated Moving Average (ARIMA) model has been one of the most widely used linear models in time series forecasting. In the study, we use Random Forest and Hybrid Random Forest-ARIMA models besides the ARIMA model and compare their forecasting performance for the Turkish Housing Price Index series. Findings- The hybrid model was found to be more successful than other methods in forecasting the housing price index. Conclusion- As a result, hybrid models that combine ARIMA and machine learning method can be used an alternative method in forecasting economic and financial data
Özet
Amaç- Bu çalışmanın amacı, Makine Öğrenmesi yöntemlerinden yararlanarak geliştirilen modellerin zaman serilerinin öngörüsünde alternatif bir yöntem olup olmadığının incelenmesidir. Yöntem- Geleneksel olarak, Otoregresif Entegre Hareketli Ortalama (ARIMA) modeli, zaman serisi tahmininde en yaygın kullanılan doğrusal modellerden biridir. Çalışmada,ARIMA modellerinin yanı sıra Rassal Orman ve Hibrit Rassal Orman yöntemleri kullanılmış ve Türkiye Konut Fiyat Endeksi serisi için bu modellerin öngörü performansları karşılaştırılmıştır. Bulgular- Hibrit modelin konut fiyat endeksini öngörmede diğer yöntemlerden daha başarılı olduğu tespit edilmiştir. Sonuç- Sonuç olarak, ARIMA ve Makine Öğrenmesi yöntemini birleştiren hibrit modellerin, ekonomik ve finansal verilerin öngörüsünde alternatif bir yöntem olarak kullanılabileceği tespit edilmiştir.