Avrupa biRLİĞİnde mevduatin korunmasi

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
modellemesi tekniği olduğu ifadesini güçlendirmektedir. Dikkat çekici bir başka 
nokta ise, YSA modellerinin mevsimsel etkiler yansıtılmamış olmasına rağmen 
diğer modellerden üstün performans sağlamış olmasıdır. Ek olarak, mevsimsel 
etkilerin yansıtılması durumunda YSA modellerinin performansının yükseleceği de 
açıktır. 
 
Sonuçlar, aşırı  eğitme, mimarinin hatalı oluşturulması vb. problemleri 
olmayan YSA modellerinin öngörü gücü yüksek ekonometrik modellere göre daha 
iyi öngörü performansı sağlayabildiğini göstermektedir. Diğer taraftan, yapılan 
analizin doğrusal olmayan bir modelleme tekniği olan YSA metodolojisinin 
doğrusal yöntemlerle karşılaştırılması olarak düşünülmesi durumunda Türkiye 
ekonomisine ait değişkenler için doğrusal olmayan modellemenin daha etkili 
olduğu yönünde bir genelleme yapılabilmektedir. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
89

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
Abstract 
 
While the progress of the economics is continued, the interaction between 
economics and statistics is also increased and the importance of the applied 
economics continued to increase. In this process, beside structural modelling 
comprising theoretical framework, forecast modelling has an important role. 
Forecast modelling field has gained importance because of its role in the decision 
mechanism which stimulated further the interest for the forecast modelling and 
brought various devlopments naturally. These developments can be considered in 
two groups. While there exist some studies about measuring and improving the 
forecast accuracy on the one side, there are some significant advances about new 
forecasting techniques on the other side. 
 
In line with these advances, some new forecasting methodologies have 
revealed. One of the most important new methodologies is the Artificial Neural 
Networks (ANN) technique. The ANN technique can be described as an 
information processing paradigm inspired by the way the brain processes 
information. It has been used widely in many different fields. This method, which is 
characterized as the universal function approximator in the literature, has many 
important features like ability to learn from data, nonlinearity, generalization etc. 
Although it has some disadvantages like lack of theoretical analysis ability and 
large data set requirements, it is widely used in the economics and many other fields 
for the forecasting purposes because of its important advantages. 
 
In this study, the ANN technique is analysed as the forecast modelling 
tecnique for some macroeconomic variables. Basically, ANN modelling technique 
is applied to some macroeconomic variables of the Turkish economy. Additionally, 
the results of the ANN methodology is compared with some widely used 
econometric techniques which have high forecasting power. For this purpose, some 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
90

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
forecasting models are estimated for Producers’ Price Index (PPI) and 
Manufacturing Industry Production Index variables of the Turkish economy by 
using the Backpropagation ANN technique. Then, forecasting performance of these 
ANN models are compared with forecasting performance of the Vector 
Autoregression (VAR) and Box-Jenkins modelling techniques. Evaluation of the 
results obtained using the ANN methodology indicated that the ANN models can 
provide satisfactory forecasting performance. Additionally, comparison of the ANN 
and traditional methodologies (VAR and Box-Jenkins) shows that the ANN 
modelling technique has a superior forecasting performance. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
91

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
Kaynaklar 
 
1.  Alexander, I. ve Morton, H. (1990), An Introduction to Neural Computing, 
London: Chapman and Hall. 
2. Altuğ, S. (1994), “İstanbul Menkul Kıymetler Borsası’nda Yapay Sinir Ağları 
Kullanılarak Fiyat Öngörüsü”, Yüksek Lisan Tezi, Bilkent Üniversitesi. 
3.  Anderson, D. ve McNeil, G. (1992), “Artificial Neural Networks Technology”, 
Data & Analysis Center for Software. 
4. Balkin, S. D. (1997), “Using Recurrent Neural Networks For Time Series 
Forecasting,” Working Paper, 97-11, Department of Management Science and 
Information Systems, Pennsylvania State University. 
5. Balkin, S. D. (2001), “Statistical Aspects of Neural Networks”,  Notes of 
Presentation to Washington Statistical Society, Ernst & Young LLP. 
6.  Baylar, A., Emiroğlu, M. E. ve Arslan, A. (1999), “Geriye Yayılma Yapay Sinir 
Ağı Kullanılarak Yanal Su Alma Yapısına Yönelecek Olan Sürüntü Maddesi 
Oranının Bulunması”,  Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve 
Mühendislik Dergisi, 1, 1-12.  
7.  Beltratti, A., Margarita, S. ve Terna, P. (1996), Neural Networks for Economic 
and Financial Modelling, International Thomson Computer Press. 
8.  Box, G.E.P. ve Jenkins, G. (1970), “Distribution of Residual Autocorrelations in 
Autoregressive Integrated Moving Average Models”,  Journal of American 
Statistics Association, 65, 1509-1526. 
9. Box, G.E.P. ve Jenkins, G. (1970), Time Series Analysis: Forecastng and 
Control, Holden Day, San Fransisco. 
10. Church, K. B. ve Curram, S. P. (1996), “Forecasting Consumers’ Expenditure: 
A Comparison Between Econometric and Neural Network Models”, 
International Journal of Forecasting, 12, 255-267. 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
92

---