SavedAdd your journal

Journals / Dumlupınar Üniversitesi Sosyal Bilimler Dergisi / 2014 / Sayı: 42

21)ALTIN FİYATININ ZAMAN SERİSİ YÖNTEMLERİ VE YAPAY SİNİR AĞLARI İLE ÖNGÖRÜSÜ

Yasemin Keskin Benli
Ayşe Yıldız
Pages
0–0
Publication Date
2015-06-20
DOI
—
🏛️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)

As a result of the analysis, ARIMA model has been found more succesfull than the ANN model but it has been determined that the ANN illustrated more successful forecasting performance with comparison of the simple exponential smoothing method and Holt’ s linear trend method

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Forecasting of gold prices has been an attracted issue in literature and practice for a long time.
📊
Key Findings & Data:In this study, in order to determine the price of gold based on its lagged value, simple exponential smoothing method, Holt’s linear trend method, ARIMA (Autoregressive Integrated Moving Average) method, which are time series methods and the Artificial Neural Networks (ANN), which is an artificial intelligence method, have been applied and made comparison of these methods.
💡
Conclusion & Impact:As a result of the analysis, ARIMA model has been found more succesfull than the ANN model but it has been determined that the ANN illustrated more successful forecasting performance with comparison of the simple exponential smoothing method and Holt’ s linear trend method
🔬Design:Modeling & Simulation
📍Scope:2013 Verileri
⚙️Variables:Altın Fiyatı · Basit Üstel Düzgünleştirme Yöntemi · Holt’un Doğrusal Trend Yöntemi

Abstract

Forecasting of gold prices has been an attracted issue in literature and practice for a long time. For this reason, different methods for forecasting of the price of gold have been applied and compared with each other. In this study, in order to determine the price of gold based on its lagged value, simple exponential smoothing method, Holt’s linear trend method, ARIMA (Autoregressive Integrated Moving Average) method, which are time series methods and the Artificial Neural Networks (ANN), which is an artificial intelligence method, have been applied and made comparison of these methods. The monthly weighted average of the gold price ($/ons) received from the Istanbul Gold Exchange has been used in the analysis. The data covered the period from January 1996 to December 2013. As a result of the analysis, ARIMA model has been found more succesfull than the ANN model but it has been determined that the ANN illustrated more successful forecasting performance with comparison of the simple exponential smoothing method and Holt’ s linear trend method

Özet

Altın fiyatının tahmini literatür ve uygulamada uzun zamandır ilgi çeken bir konudur. Bu nedenle altın fiyatının öngörüsü için farklı yöntemler kullanılmış ve birbirleriyle karşılaştırılmıştır. Bu çalışmada da kendi gecikmeli değerlerine göre altın fiyatının belirlenmesi amacıyla zaman serisi yöntemlerinden basit üstel düzgünleştirme yöntemi, Holt’un doğrusal trend yöntemi, ARIMA (Autoregressive Integrated Moving Average) modeli ve yapay zeka yöntemi olan yapay sinir ağları kullanılmış ve karşılaştırma yapılmıştır. Analizde İstanbul Altın Borsası’ndan alınan aylık ağırlıklı ortalama altın fiyatları ($/ons) kullanılmıştır. Veriler Ocak 1996-Aralık 2013 dönemini kapsamaktadır. Analiz sonucunda ARIMA modeli yapay sinir ağları modelinden daha başarılı bulunurken, yapay sinir ağları modelinin basit üstel düzgünleştirme yöntemi ve Holt’un doğrusal trend yöntemine göre daha başarılı bir tahmin performansı gösterdiği belirlenmiştir

🔖

Cite This Article

Benli, Y. K., Yıldız, A. (2015). 21)ALTIN FİYATININ ZAMAN SERİSİ YÖNTEMLERİ VE YAPAY SİNİR AĞLARI İLE ÖNGÖRÜSÜ. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, Sayı: 42, 0–0. https://ajindex.com/articles/660047

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (32)

  1. AKMUT, Ö., AKTAŞ, R. Ve BİNAY, S. B. (1999). Öngörü Teknikleri ve Finans Uygulamaları, 1. Baskı, SBF yayını:584, Ankara.
  2. ARSHAM, H. (2000). Time Critical Decision Making for Bussiness Administration. İnternet adresi: http://home.ubalt.edu/ntsbarsh/stat-data/forecast.htm, Erişim Tarihi: 02.02.2013
  3. ASİLKAN, Ö. ve IRMAK, S. (2009). “İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları ile Tahmin
  4. Edilmesi”, Süleyman Demirel Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt:14, Sayı:2, ss. 375-391. ASSEM, Y. (2011). Comparative Study of Artificial Neural Network and ARIMA Models for Economic Forecasting, Al-Azhar
  5. University, Basılmamış Yüksek Lisans Tezi, Gaza. ATASEVEN, B. (2013).“Yapay Sinir Ağları ile Öngörü Modellemesi”, Öneri, 10 (39), ss. 101-115.
  6. BOWERMAN, B., O’CONNELL, R. and KOEHLER, A. B. (2005). “Forecasting Time Series and Regression”, Thomson
  7. Learning Academic Resource Center, USA. BOX, G. and JENKINS, G. (1976). Time Series Analysis: Forecasting and Control: Revised Edition, Holden-Day, USA.
  8. CHAKRADHA, P. and NARASIMHAN, V. (2007). “Forecasting Exchange Rate beter with Artificial Neural Network”,
  9. Journal of Policy Modelling, Vol: 29, Issue:2, pp. 227-236. ÇATIK, N. ve KARAÇUKA, M. (2012). “A Comparative Analysis of Alternative Univariate Time Series Models in
  10. Forecasting Turkish Inflation”, Journal of Business Economics and Management,13 (2), pp. 275-293. ÇUHADAR, M., GÜNGÖR, İ. ve GÖKSU, A. (2009). “Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi
  11. Yöntemleri İle Karşılaştırılmalı Analizi: Antalya İline Yönelik Bir Uygulama, Süleyman Demirel Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, C.14, S.1, ss. 99-114. DIRK, G. B. and MCDERMOTT, T. K. (2010).“Is Gold Safe Haven? International Evidence”, Journal of Banking and Finance 34, pp. 1886–1898.
  12. DÜZGÜN, R. (2008). “A Comparison of Artificial Neural Networks and ARIMA Models’ Success in GDP Forecast”, Marmara
  13. Üniversitesi, İ.İ.B.F. Dergisi, XXV(2), pp. 165-176. EĞRİOĞLU, E. ve Çağdaş Hakan ALADAĞ, Ç. H. (2005). “Yapay Sinir Ağları ve Arıma Modellerin Melez Yaklaşımı ile Zaman Serilerinde Öngörü”, İstanbul Üniversitesi VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs, İstanbul.
  14. ERDOĞAN, G. ve KASAP, R. (2007). “Yapay Sinir Ağları ile Zaman Dizileri Kestirimi ve Altın Fiyatları Üzerine
  15. Uygulanması”, TÜİK 16. İstatistik Araştırma Sempozyumu Bildiriler Kitabı; 192-203. FIRAT, M. ve GÜNGÖR, M. (2004). “Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi”, İMO Teknik Dergisi, ss. 3267-3282.
  16. GÜNAY, S., EĞRİOĞLU, E. ve ALADAĞ, H. (2007). Tek Değişkenli Zaman Serileri Analizine Giriş, Hacettepe Üniversitesi Yayınları, Ankara.
  17. HANOFIZADEH, P., SHERKAT, H. and PARISO, P. S. (2008). “Comparative Study of Estimation Power of ANN and Autoregressive Models in Inflation Forecasting”, Tahghighat-e-Eghtesadi, Issue;81, pp. 25-35.
  18. IRMAK, S., KÖKSAL, C. D. ve ASİLKAN, Ö. (2012). “Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği
  19. Yöntemleri ile Tahmin Edilmesi”, Uluslararası Alanya İşletme Fakültesi Dergisi, 4(1), ss. 101-114. KARAMOLLAH, B., MEHRBAKHSH, N, OTHMAN, İ., NASIM, J. and LEILA, E. (2012), “Comparative Study of
  20. ArtificialNeural Network and ARIMA Models in Predicting Exchange Rate”, Research Journal of Applied Sciences Engineering and Technology 4(21), pp. 4397-4403.
  21. KAYNAR, O.ve TAŞTAN, S. (2009). “Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve ARIMA Modelinin
  22. Karşılaştırılması”, Erciyes Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı:33, pp. 161-172. KÜKRER, C. ve CÖĞÜRCÜ, İ. (2013). “Modelling Cruise Tourism Demand Using Time Series Analysis and Artificial Neural
  23. Networks: Evidence from İzmir Cruise Port”, XIVth International Symposium on Econometrics, Operations Research and Statistics, Sarrajevo, Abstracts Book, Bosnia and Herzegovina 24-28; 141. MAKRIDAKIS, S. and WHEELWRIGHT, S. C. (1989). Forecasting Methods for Management, Fifth Edition, John Wiley & Sons USA.
  24. NITIN, M., V. P. SAXENA, and PARDASANI, K. R. (2011). “Next Day Stock Forecasting An Application of ANN and ARIMA, The IUP”, Journal of Applied Finance, Vol. 17, No:1.
  25. NOURBAKHSH, F., ROSTAMI, A., ARSHADI, A., SARLAK, A. and ALMASI, M. (2013). “Comparative Study of
  26. ArtificialNeural Networks ANN and ARIMA Method, in Predicting the Overall Index of Tehran Stock Exchange”, Journal of Basic andApplied Scientific Research, 3(3), pp. 319-324. NTUNGO, C. (1996). Forecasting Turning Points for Trading Commodity Futures Using Time Series and Neural Networks,
  27. Yayınlanmamış Doktora Tezi, University of Manitoba, Canada. ÖZALP, A. ve ANAGÜN, S. (2001). “Sektörel Hisse Senedi Fiyat Tahmininde Yapay Sinir Ağı Yaklaşımı ve Klasik
  28. Tahminleme Yöntemleri ile Karşılaştırılması”, Endüstri Mühendisliği Dergisi, 12(3-4), ss. 2-17. ROSANGELA, B., LUNA, I., LIMA, L. M. and Da SILVIERA, R. L. (2010). “A Comparative Analysis of Neurofuzzy, ANN and ARIMA Models for Brazilian Stock Index Forecasting” İnternet adresi: https://editorialexpress.com/cgi-in/conference/download.cgi?db_name=CEF2010 Erişim Tarihi: 02.03.2013
  29. SHARDA R. and PATIL, R. B. (1990). “Neural Networks as Forecasting Experts: An Empirical Test”, Proceedings of the International Joint Conference on Neural Networks, 2, pp. 491-494.
  30. UÇAR, Nuri (2001). Comparison of the Forecast Performances of Linear Time Series and Artificial Neural Network Models within the Context of Turkish Inflation, The Institute of Economics and Social Sciences of Bilkent University, Ankara.
  31. ZHANG, G.P. (2003). “Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model”, Neurocomputing, Cilt:50, pp. 159-175. http://www.tcmb.gov.tr/ (Erişim Tarihi: Haziran 2014)
  32. AKMUT, Ö., AKTAŞ, R. Ve BİNAY, S. B. (1999). Öngörü Teknikleri ve Finans Uygulamaları, 1. Baskı, SBF yayını:584, Ankara.