KaydedilenlerDerginizi ekleyin

Dergiler / Sosyoekonomi / 2026 / Cilt: 33 Sayı: 63

Uluslararası Değişkenlerin Altın Fiyatlarını Tahmin Etmedeki Rolü: Makine Öğrenmesi Algoritmaları ile Analiz

The Role of International Variables in Predicting Gold Prices: Analysis with Machine Learning Algorithms

Sonay Duman(TOROS UNIVERSITY)0009-0007-3991-401X
Seda Turnacıgil(TOROS UNIVERSITY)0000-0002-8573-8412
Ecem Arık(TOROS UNIVERSITY)0000-0003-1528-9460
Mehmet Ali Aktaş(TOROS UNIVERSITY)0000-0002-4912-1386
Sayfa
103–113
Yayın Tarihi
2025-01-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmanın makine öğrenmesi algoritmalarının fiyat tahmininde başarısını ve etkin piyasalar hipotezi çerçevesinde altın fiyatlarının tahmin edilebilirliğini ölçmede literatüre katkı sunması beklenmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada S&P 500, ham petrol fiyatları, dolar endeksi ve volatilite endeksi değişkenleri aracılığıyla makine öğrenmesi yöntemleri kullanılarak altın fiyatları tahmin edilmeye çalışılmıştır.
📊
Temel Bulgular & Veri:Analiz sonuçlarına göre en başarılı altın fiyatı tahmincileri sırasıyla WTI, VIX endeksi, S&P 500 ve dolar endeksidir.
💡
Sonuç & Katkı:Bu çalışmanın makine öğrenmesi algoritmalarının fiyat tahmininde başarısını ve etkin piyasalar hipotezi çerçevesinde altın fiyatlarının tahmin edilebilirliğini ölçmede literatüre katkı sunması beklenmektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Altın Fiyatları · Finansal Piyasa · Makine Öğrenmesi

Özet

Bu çalışmada S&P 500, ham petrol fiyatları, dolar endeksi ve volatilite endeksi değişkenleri aracılığıyla makine öğrenmesi yöntemleri kullanılarak altın fiyatları tahmin edilmeye çalışılmıştır. Araştırma sonuçları, altın fiyatlarının makine öğrenme yöntemleriyle başarılı bir şekilde tahmin edildiğini göstermiştir. Analiz sonuçlarına göre en başarılı altın fiyatı tahmincileri sırasıyla WTI, VIX endeksi, S&P 500 ve dolar endeksidir. Altın fiyatlarını en iyi tahmin eden makine öğrenmesi yönteminin ise R-kare değeri 0,96 ve MAPE değeri %3,5 olan rastgele orman yöntemi olduğu belirlenmiştir. Bu çalışmanın makine öğrenmesi algoritmalarının fiyat tahmininde başarısını ve etkin piyasalar hipotezi çerçevesinde altın fiyatlarının tahmin edilebilirliğini ölçmede literatüre katkı sunması beklenmektedir.

Abstract

This study predicted gold prices using the S&P 500, crude oil prices, dollar index and volatility index variables and various machine learning methods. Research results show that gold prices are predicted successfully with existing methods. According to analysis, the most successful gold price forecasters are the WTI, VIX, S&P 500 and US dollar indexes. The machine learning method that best predicts gold prices is the random forest method, with an R-square of 0.96 and a MAPE value of 3.5%. This study is expected to contribute to the literature in measuring the success of machine learning algorithms in price prediction and the predictability of gold prices within the framework of the efficient markets hypothesis.

🔖

Bu Makaleye Atıf Yap

Duman, S., Turnacıgil, S., Arık, E., Aktaş, M. A. (2025). Uluslararası Değişkenlerin Altın Fiyatlarını Tahmin Etmedeki Rolü: Makine Öğrenmesi Algoritmaları ile Analiz. Sosyoekonomi, Cilt: 33 Sayı: 63, 103–113. https://doi.org/10.17233/sosyoekonomi.2025.01.05

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (35)

  1. Alameer, Z. et al. (2019), “Forecasting Gold Price Fluctuations Using Improved Multilayer Perceptron Neural Network And Whale Optimization Algorithm”, Resources Policy, 61, 250-260.
  2. Allen, D.M. (1971), “Mean square error of prediction as a criterion for selecting variables”, Technometrics, 13(3), 469-475.
  3. Atay, G. (2013), “Dünyada ve Türkiye’de altın piyasaları ve Türkiye’de altın fiyatlarını etkileyen faktörlerin incelenmesi”, Master Thesis, İstanbul University: İstanbul.
  4. Bishop, C.M. (2006), Pattern Recognition and Machine Learning, Springer: New York, NY, USA.
  5. Cohen, G. & A. Aiche (2023), “Forecasting gold price using machine learning methodologies” Chaos, Solitons & Fractals, 175, 114079.
  6. Çam, S. & S.B. Kılıç (2018), “Altın Fiyatı Günlük Getirilerinin Yapay Sinir Ağları Algoritması ve Markov Zincirleri Modelleri ile Tahmini”, International Journal of Economic and Administrative Studies, (18. EYİ Özel Sayısı), 681-694.
  7. Deng, H. & G. Runger (2012), Feature Selection Via Regularized Trees,, 02.03.2024.
  8. Fama, E.F. (1965), “Random Walks In Stock Market Prices,” Financial Analysts Journal, 21, 55-59.
  9. Gbadamosi, S.L. et al. (2024), “Exploring The Effectiveness of A Multilayer Neural Network Model for Gold Price Prediction”, Przeglad Elektrotechniczny, (3), 157-161.
  10. Gülhan, Ü. (2020), “Altın Fiyatları ile VIX Endeksi, BİST100 Endeksi, Döviz Kuru ve Petrol Fiyatları İlişkisi: Ekonometrik Bir Analiz”, Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi, 11(2), 576-591.
  11. Gültekin, E.Ö. & E.A. Hayat (2016), “Altın Fiyatını Etkileyen Faktörlerin VAR Modeli ile Analizi: 2005-2015 Dönemi”, Ege Academic Review, 16(4), 611-625.
  12. Hansun, S. & A. Suryadibrata (2021), “Gold Price Prediction in COVID-19 Era”, International Journal of Computational Intelligence in Control, 13(2), 29-33.
  13. Hothorn, T. et al. (2006), “Unbiased Recursive Partitioning: A Conditional Inference Framework”, Journal of Computational and Graphical Statistics, 15(3), 651-674.
  14. Kim, S. & H. Kim (2016), “A New Metric of Absolute Percentage Error For Intermittent Demand Forecasts”, International Journal of Forecasting, 32(3), 669-679.
  15. Küçükaksoy, İ. & D. Yalçın (2017), “Altın Fiyatlarını Etkileyebilecek Faktörlerin İncelenmesi”, The International Journal of Economic and Social Research, 13(2), 1-19.
  16. Louppe, G. (2015), “Understanding Random Forest”, PhD Dissertation, University of Liege.
  17. Madziwa, L. et al. (2022), “Gold Price Forecasting Using Multivariate Stochastic Model”, Resources Policy, 76, 102544.
  18. Manjula, K.A. & P. Karthikeyan (2019), “Gold Price Prediction Using Ensemble Based Machine Learning Techniques”, in: 3rd International Conference on Trends in Electronics and Informatics (ICOEI) (1360-1364).
  19. Mombeini, H. & A. Yazdani-Chamzini (2015), “Modeling Gold Price Via Artificial Neural Network”, Journal of Economics, Business and Management, 3, 699-703.
  20. Miles, J. (2014), R squared, adjusted R squared,, 02.03.2024.
  21. Özkan, F. (2011), “Döviz Kuru Tahmininde Yapay Sinir Ağlarıyla Alternatif Yaklaşım”, Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 6(2), 185-200.
  22. Patalay, S. & B.M. Rao Rao (2021), “Gold Price Prediction Using Machine Learning Model Trees”, in: Proceeding International Conference on Changing Business Paradigm (ICCBP).
  23. Pfahler, J.F. (2021), “Exchange Rate Forecasting With Advanced Machine Learning Methods”, Journal of Risk and Financial Management, 15(1), 2.
  24. Ramchoun, H. et al. (2016), “Multilayer Perceptron: Architecture Optimization And Training”, International Journal of Interactive Multimedia and Artificial Intelligence, 4(1), 26-30.
  25. Söylemez, Y. (2020), “Çok Katmanlı Yapay Sinir Ağları Yöntemi ile Altın Fiyatlarının Tahmini”, Sosyoekonomi, 28(46), 271-291.
  26. Swamy, V. & M.A. Lagesh (2023), “Does Happy Twitter Forecast Gold Price?”, Resources Policy, 81(C), 103299.
  27. Sharma, S. et al. (2023), “House Price Prediction Using Machine Learning Algorithm”, 7th International Conference on Computing Methodologies and Communication (ICCMC).
  28. Toraman, C. et al. (2011), “Altın Fiyatlarını Etkileyen Faktörlerin Tespiti Üzerine: MGARCH Modeli ile Bir İnceleme”, Uluslararası Alanya İşletme Fakültesi Dergisi, 3(1), 1-20.
  29. Willmott, C.J. & K. Matsuura (2005), “Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance”, Climate Research, 30(1), 79-82.
  30. Wundervald, B. et al. (2020), “Generalizing Gain Penalization For Feature Selection In Tree-Based Models”, Ieee Access, 8, 190231-190239.
  31. Vrontos, S.D. et al. (2021), “Implied Volatility Directional Forecasting: A Machine Learning Approach”, Quantitative Finance, 21(10), 1687-1706.
  32. Yüksel, R. & S. Akkoç (2016), “Altın Fiyatlarının Yapay Sinir Ağları ile Tahmini ve Bir Uygulama”, Doğuş Üniversitesi Dergisi, 17(1), 39-50.
  33. Zou, J. & H. Li (2022), “Precise Marketing of E-Commerce Products Based On KNN algorithm”, Computational Intelligence and Neuroscience, (5), 1-12.
  34. Deng, H. & G. Runger (2012), Feature Selection Via Regularized Trees,, 02.03.2024.
  35. Miles, J. (2014), R squared, adjusted R squared,, 02.03.2024.