Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu negatif R² değeri, modelin test periyodundaki yüksek oynaklık ve yapısal kırılmalar karşısında yetersiz kaldığına işaret etmekte olup söz konusu durum, Türkiye enflasyonunun doğrusal olmayan ve rejim-değişimli yapısına ilişkin önemli bulgular sunmaktadır.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, Türkiye ekonomisinin 2005-2026 Nisan dönemi aylık Tüketici Fiyat Endeksi (TÜFE) oranlarını Long Short-Term Memory (LSTM) derin öğrenme mimarisi ile tahmin etmeyi amaçlamaktadır. Küresel jeopolitik gerginliklerin —özellikle İsrail-İran çatışması ve ABD'nin bölgesel politikaları çerçevesinde tırmanan Orta Doğu krizinin— petrol piyasaları üzerindeki baskısı ve bu baskının döviz kanalıyla Türkiye enflasyonuna yansıması temel motivasyon kaynağını oluşturmaktadır. 254 aylık gözlemi kapsayan veri seti üzerinde uygulanan LSTM modeli; 24 gizli birim, 20 adım geriye dönük pencere ve Huber kayıp fonksiyonu parametreleriyle yapılandırılmıştır. Eğitim verisi üzerinde elde edilen kayıp değeri 0,0748'e gerilemiş, ancak doğrulama kaybı 1,1787 düzeyinde kalmıştır. Test dönemi için hesaplanan RMSE 2,80 puan ve MAE 2,22 puan olarak gerçekleşmiş; R² değeri -1,0039 ile negatif bir sonuç vermiştir. Bu negatif R² değeri, modelin test periyodundaki yüksek oynaklık ve yapısal kırılmalar karşısında yetersiz kaldığına işaret etmekte olup söz konusu durum, Türkiye enflasyonunun doğrusal olmayan ve rejim-değişimli yapısına ilişkin önemli bulgular sunmaktadır. Sonuçlar, jeopolitik kırılganlıklar, döviz kuru oynaklığı ve enerji fiyatı şokları gibi dışsal faktörlerin LSTM mimarisine dışsal değişken (exogenous feature) olarak entegre edilmesi gerektiğini ortaya koymaktadır.
Abstract
This study aims to forecast the monthly Consumer Price Index (CPI) rates of Türkiye for the period 2005–April 2026 using the Long Short-Term Memory (LSTM) deep learning architecture. The primary motivation stems from the impact of global geopolitical tensions—particularly the Israel-Iran conflict and the escalating Middle East crisis driven by US regional policies—on oil markets, and the transmission of this pressure to Turkish inflation through the exchange rate channel. The LSTM model, applied to a dataset of 254 monthly observations, was configured with 24 hidden units, a lookback window of 20 steps, and the Huber loss function. The training loss declined to 0.0748, while the validation loss remained at 1.1787. For the test period, the computed RMSE was 2.80 percentage points and MAE was 2.22 percentage points; the R² value yielded a negative result of -1.0039. This negative R² signals that the model fell short in capturing the high volatility and structural breaks of the test period, thereby providing significant findings regarding the non-linear and regime-switching nature of Turkish inflation. The results indicate that external factors such as geopolitical vulnerabilities, exchange rate volatility, and energy price shocks must be integrated as exogenous features into the LSTM architecture.