Dergiler / Dumlupınar Üniversitesi Sosyal Bilimler Dergisi / 2014 / Cilt: 0 - Sayı: 42

Altın fiyatının zaman serisi yöntemleri ve yapay sinir ağları ile öngörüsü1

Forecasting the gold price with time series methods and artificial neural networks

Sayfa
213–224
Yayın Tarihi
2022-10-11
DOI
—
🏛️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)

Analiz sonucunda ARIMA modeli yapay sinir ağları modelinden daha başarılı bulunurken, yapay sinir ağları modelinin basit üstel düzgünleştirme yöntemi ve Holtun doğrusal trend yöntemine göre daha başarılı bir tahmin performansı gösterdiği belirlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:ÖZET: Altın fiyatının tahmini literatür ve uygulamada uzun zamandır ilgi çeken bir konudur.
📊
Temel Bulgular & Veri:Bu nedenle altın fiyatının öngörüsü için farklı yöntemler kullanılmış ve birbirleriyle karşılaştırılmıştır.
💡
Sonuç & Katkı:Analiz sonucunda ARIMA modeli yapay sinir ağları modelinden daha başarılı bulunurken, yapay sinir ağları modelinin basit üstel düzgünleştirme yöntemi ve Holtun doğrusal trend yöntemine göre daha başarılı bir tahmin performansı gösterdiği belirlenmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:2013 Verileri
⚙️Değişkenler:Alan Parametreleri

Özet

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, Holtun doğrusal trend yöntemi, ARIMA (Autoregressive Integrated Moving Average) modeli ve yapay zeka yöntemi olan yapay sinir ağları kullanılmış ve karşılaştırma yapılmıştır. Analizde İstanbul Altın Borsasından 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 Holtun doğrusal trend yöntemine göre daha başarılı bir tahmin performansı gösterdiği belirlenmiştir.

Abstract

Forecasting of gold prices has been an attracted issue in literature and practice for a long time. For this reasondifferent 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 methodARIMA (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.

🔖

Bu Makaleye Atıf Yap

YILDIZ, A., KESKİN, Y. B. (2022). Altın fiyatının zaman serisi yöntemleri ve yapay sinir ağları ile öngörüsü1. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, Cilt: 0 - Sayı: 42, 213–224. https://ajindex.com/articles/492958

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  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 Edilmesi”, Süleyman Demirel Üniversitesi, İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt:14, Sayı:2, ss. 375-391.
  4. ASSEM, Y. (2011). Comparative Study of Artificial Neural Network and ARIMA Models for Economic Forecasting, Al-Azhar University, Basılmamış Yüksek Lisans Tezi, Gaza. ATASEVEN, B. (2013).“Yapay Sinir Ağları ile Öngörü Modellemesi”, Öneri, 10 (39), ss. 101-115.
  5. BOWERMAN, B., O’CONNELL, R. and KOEHLER, A. B. (2005). “Forecasting Time Series and Regression”, Thomson Learning Academic Resource Center, USA. BOX, G. and JENKINS, G. (1976). Time Series Analysis: Forecasting and Control: Revised Edition,
  6. Holden-Day, USA. CHAKRADHA, P. and NARASIMHAN, V. (2007). “Forecasting Exchange Rate beter with Artificial Neural Network”, Journal of Policy Modelling, Vol: 29, Issue:2, pp. 227-236.
  7. ÇATIK, N. ve KARAÇUKA, M. (2012). “A Comparative Analysis of Alternative Univariate Time Series Models in Forecasting Turkish Inflation”, Journal of Business Economics and Management,13 (2), pp. 275-293.
  8. ÇUHADAR, M., GÜNGÖR, İ. ve GÖKSU, A. (2009). “Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi 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.
  9. DIRK, G. B. and MCDERMOTT, T. K. (2010).“Is Gold Safe Haven? International Evidence”, Journal of Banking and Finance 34, pp. 1886–1898. DÜZGÜN, R. (2008). “A Comparison of Artificial Neural Networks and ARIMA Models’ Success in GDP Forecast”, Marmara Üniversitesi,
  10. İ.İ.B.F. Dergisi, XXV(2), pp. 165-176.
  11. 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
  12. Mayıs, İstanbul.
  13. ERDOĞAN, G. ve KASAP, R. (2007). “Yapay Sinir Ağları ile Zaman Dizileri Kestirimi ve Altın Fiyatları Üzerine Uygulanması”, TÜİK 16. İstatistik Araştırma Sempozyumu Bildiriler Kitabı; 192-203.
  14. FIRAT, M. ve GÜNGÖR, M. (2004). “Askı Madde Konsantrasyonu ve Mikt