Derin Öğrenme Kullanarak On İki Aylık Ortalamalar Üzerinden Tüketici Fiyat Endeksi Temelli Enflasyon Tahmini
Özet
Bu çalışma, Türkiye İstatistik Kurumu (TÜİK) tarafından yayınlanan 2005-2021 yılları arasındaki Tüketici Fiyat Endeksi (TÜFE) verilerini kullanarak on iki aylık ortalamalar üzerinden aylık enflasyon tahmini için Uzun-Kısa Dönem Bellekli (LSTM) derin öğrenme temelli bir model önermektedir. Enflasyonun önceden ve doğru tahmin edilmesi, bütçe hesaplamalarından parasal politikalara kadar birçok planlamanın yapılabilmesi açısından kritik bir öneme sahiptir. Çalışmada, zaman serisi özellikli veri kümesi 5-kat zaman serisi çapraz doğrulama yöntemiyle test edilmiş ve modelin performansı Karar Ağacı (DT), Rassal Orman (RF), Destek Vektör Makineleri (SVM) ve Doğrusal Regresyon (LR) gibi geleneksel yöntemlerle kıyaslanmıştır. Deney sonuçlarına göre, önerilen LSTM modeli 100 dönem (epoch) sayısında %97'lik bir belirleme katsayısı ($r^2$) ile oldukça yüksek bir doğruluk elde etmiştir. Küçük veri kümesinde Doğrusal Regresyon (LR) yöntemi %99 ile en yüksek ortalama başarıyı gösterse de, 2022 yılının ilk 11 ayına ait gerçek verilerle yapılan uzun vadeli tahmin testlerinde veriyi ezberlediği için başarısız sonuçlar ortaya koymuştur. Buna karşın LSTM modeli, geçmiş verileri doğru şekilde değerlendirerek gerçek enflasyon eğrisine ve açıklanan verilere çok daha yakın, başarılı tahminler sunmuştur. Sonuç olarak, önerilen LSTM modelinin para politikalarının yönlendirilmesinde ve ekonomik göstergelerin sağlam bir şekilde planlanmasında güvenilir bir araç olarak kullanılabileceği ortaya konmuştur.
This study proposes a Long Short-Term Memory (LSTM) deep learning-based model for monthly inflation forecasting using twelve-month averages based on Consumer Price Index (CPI) data published by the Turkish Statistical Institute (TÜIK) between 2005 and 2021. Accurate and advance forecasting of inflation is of critical importance for executing various plans ranging from budget calculations to monetary policies. In the study, the time-series dataset was tested using a 5-fold time-series cross-validation method, and the performance of the model was compared with traditional methods such as Decision Tree (DT), Random Forest (RF), Support Vector Machines (SVM), and Linear Regression (LR). According to the experimental results, the proposed LSTM model achieved high accuracy with a coefficient of determination ($r^2$) of 97% at 100 epochs. Although the Linear Regression (LR) method showed the highest average success at 99% on the small dataset, it yielded unsuccessful results in long-term forecasting tests conducted with the actual data of the first 11 months of 2022 because it memorized the data. Conversely, the LSTM model correctly evaluated past data and provided successful forecasts much closer to the actual inflation trend and the announced data. Consequently, it has been demonstrated that the proposed LSTM model can be utilized as a reliable tool in guiding monetary policies and planning economic indicators soundly.
Referanslar
G. Dawson, inflation and Unemployment. England: England Edward Elgar Publishing Ltd. 1992
C.Y. Kesbiç, E. Baldemir, E. Bakimli, “Bütçe Açıkları İle Parasal Büyüme Ve Enflasyon Arasındaki İlişki: Türkiye İçin Bir Model Denemesi”. İktisadi ve İdari Bilimler Dergisi, 19(1), 2005.
M. Şentürk, S. Kayhan, T. Bayat, Küresel Finans Krizi Sonrasında Merkez Bankacılığı Ve Türkiye Cumhuriyet Merkez Bankası. Niğde Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(3), 147 – 160, 2016
E. A., Cinel, Türkiye’de Enflasyon Ve Enflasyon Hedeflemesi, Bilge Uluslararası Sosyal Araştırmalar Dergisi, 2(2), 85-98, 2018,
R. C. Cavalcante, R. C. Brasileiro, V. L. Souza, J. P. Nobrega, A. L. Oliveira, “Computational intelligence and financial markets: A survey and future directions.” Expert Systems with Applications, 55, 194-211, 2016
S. Y. Başkaya, H. Kara, D. Mutluer, Expectations, Communication and Monetary Policy in Turkey. Türkiye Cumhuriyet Merkez Bankası Çalışma Tebliği, 08(01), 1-35, 2008.
A. Kara, Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi, 7(4), 882 – 892, 2019.
J. Schmidhuber, Deep learning in neural networks: An overview. Neural networks,61, 85-117, 2015
Ö. Günçavdı, H. Levent, B. Ülengin, Yüksek ve değişken enflasyonun tahmininde alternatif modellerin karşılaştırılması, ODTÜ Gelişme Dergisi, 27 (1-2), 149-171. 2000.
Y. Akdi, Zaman Serileri Analizi (Birim Köklerve Kointegrasyon), Bıçaklar Kitabevi, Ankara.
E. Uğurlu, B. Saraçoğlu, Türkiye’de Enflasyon Hedeflemesi ve Enflasyonun Öngörüsü, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(2), 57-72, 2010.
O. Meçik, M., Karabacak, ARIMA modelleri ile enflasyon tahminlemesi: türkiye uygulamasi. SÜ İİBF Sosyal ve Ekonomik Araştırmalar Dergisi, 11(22), 177-198, 2011.
M. Özmen, F.İ. Koçak, Enflasyon, Bütçe Açığı Ve Para Arzı İlişkisinin ARDL Yaklaşımı İle Tahmini, Çukurova Üniversitesi İİBF Dergisi, 16(1), 2012.
S.Varol, Tüketici Fiyat Endeksinin Uyarlamalı Ağa Dayalı Bulanık Çıkarım Sistemi ile Kestirimi, İnsan ve İnsan, 3(8), 2016
M. Akdağ, V. Yiğit, Box-Jenkıns Ve Yapay Sinir Ağı Modelleri İle Enflasyon Tahmini, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30(2), 2016.
G. Kshirsagar, M. Chandel, S. Kakade, R. Amaria, Stock Market Prediction Using Artificial Neural Networks, International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 5(5), s.1691-1695, 2016.
A.T., Bayramoğlu, Z. Öztürk, ARIMA ve Gri Sistem Modelleri ile Enflasyon Tahmini.” İnsan Ve Toplum Bilimleri Araştırmaları Dergisi, 6(2), 760-776,2017.
F., Urfalıoğlu, İ., Tanrıverdi, Anfis ve Regresyon Analizi ile Enflasyon Tahmini ve Karşılaştırması, Social Sciences Research Journal, 7(3), 2147-5237, 2018.
A., Thakkar, K. Chaudhari, A Comprehensive Survey on Deep Neural Networks for Stock Market: The Need, Challenges, and Future Directions. Expert Systems with Applications,177, 2021.
B. Buyun, Türkiye’de Beklenen Enflasyon İle Gerçekleşen Enflasyon Arasındaki Asimetrik İlişki, Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 41, 184-2032021
M. Sarıkoç, M. Çelik, Boyut İndirgeme Teknikleri ve LSTM Derin Öğrenme Ağı İle BIST100 Endeksi Fiyat Tahmini, Avrupa Bilim ve Teknoloji Dergisi, 34, 519-524, 2022.
Türkiye Istatistik Kurumu Tüfe Verileri, Web Sayfası, Erişim tarihi : 1/12/2022, Web adresi: www.tuik.gov.tr.
R. J., Hyndman, G. Athanasopoulos, Forecasting: principles and practice. OTexts. Web Sayfası, Erişim tarihi: 26/12/2022, Web adresi:https://otexts.com/fpp3/tscv.html
S. Karasu, R., Hacıoğlu, A. Altan, Prediction of Bitcoin Prices with Machine Learning Methods using Time Series Data, 26th signal Processing and Communications Applications Conference. 2018
B.W.: Silverman, Density Estimation for Statistics and Data Analysis, Chapman and Hall. 1986
Ş. Ay. Model Performansını Değerlendirmek — Metrikler, Web Sayfası, Erişim tarihi: 26/12/2022, Web adresi: https://medium.com/deep-learning-turkiye/model-performansını-değerlendirmek-metrikler-cb6568705b1.
S. Çınaroğlu, Sağlık Harcamasının Tahmininde Makine Öğrenmesi Regresyon Yöntemlerinin Karşılaştırılması, Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 22(2): 179-200. 2017.
J.H. Heo, Y.W. Kho, H. Shin, S. Kim, T., Kim, Regression equations of probability plot correlation coefficient test statistics from several probability distributions, Journal of Hydrology, 355, 1-15. 2008
A. Şeker, B. Diri, H.H., Balık, Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64, 2017.
M. Liang, X. Hu, Recurrent convolutional neural network for object recognition”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston-MA-USA, 2015.
Y. Dogan, Improvement of recurrent deep neural networks algorithm by feature selection methods and its usage of automatic identification system data evaluated as time series, Journal of the Faculty of Engineering and Architecture of Gazi University, 35(4), 1897–1911, 2020.
E. Somuncu, A. A, Atasoy, Evrişimli tekrarlayan sinir ağı ile metin görüntüleri üzerinde karakter tanıma uygulaması gerçekleştirilmesi, Gazi Mühendislik Mimarlık Fakültesi Dergisi, 37 (1), 17-27, 2022.
E., Kiperwasser, Y. Goldberg, Simple and accurate dependency parsing using bidirectional LSTM feature representations, Transactions of the Association for Computational Linguistics, 4, 313–327, 2016.
L. Deng, D. Yu, Deep learning: methods and applications, Foundations and trends in signal processing, 7(3-4), 197–387, 2014.
S. Hochreiter, Schmidhuber J. Long short-term memory. Neural Computation, 9(8) 1735-1780, 1997.
H. Sak, A. Senior, F. Beaufays, Long short-term memory recurrent neural network architectures for large scale acoustic modeling.” INTERSPEECH 2014, In Fifteenth Annual Conference of the International Speech Communication Association, Singapore,: 338-342, 2014
İ. Özer, Uzun Kısa Dönem Bellek Ağlarını Kullanarak Erken Aşama Diyabet Tahmini, Mühendislik Bilimleri ve Araştırmaları Dergisi, 2(2), 50-57, 2020.
