Avrupa biRLİĞİnde mevduatin korunmasi

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
arasında, Yıldız (2001) finansal başarısızlığın öngörülmesinde ve Baylar ve 
diğerleri (1999) mühendislik alanında YSA’ların kullanımına yönelik çalışmalar 
olarak sayılabilir. Ayrıca, Altuğ (1994) İMKB’de fiyat öngörüsü, Üngör (1998) 
döviz kuru tahmini ve Gülseçen (1993) işletme alanlarında YSA kullanımı 
konusunda çalışmalara sahiptirler. Tüm bu çalışmaların genelinde, YSA’ların 
(ekonomik) öngörü alanında diğer tekniklere göre daha etkili olduklarına yönelik 
bulgulara işaret edilmektedir. Bu tür bulguların doğruluk derecesinin Türkiye 
ekonomisine ait değişkenler için araştırılması da bu çalışmanın kapsamı içinde 
bulunmaktadır. Bu amaçla, öncelikli olarak fiyat ve üretim değişkenleri için 
detayları Bölüm 2.3’te açıklanan Geri Yayılmalı  İleri Besleme yapısına sahip bir 
YSA modeli kullanılmıştır. Tahmin edilen YSA modelleri Bölüm 3.1’de 
açıklanmaktadır. 
 
Tahmin edilen YSA modellerini karşılaştırmak için iki farklı ekonometrik 
yöntem kullanılmıştır. Bunlar Vektör Otoregresyon (VAR) ve ARMA modelleme 
teknikleridir. Burada dikkati çeken nokta, doğrusal olmayan modelleme tekniği 
YSA ile doğrusal modelleme tekniklerinin karşılaştırılıyor olmasıdır. Bu durum bir 
miktar tezat oluştursa da amaca yönelik bakıldığında en uygun seçenek olduğu 
görülmektedir. Çünkü VAR ve ARMA ekonometride en yaygın şekilde kullanılan 
ve öngörü gücü yüksek yöntemlerdir. Bu yüzden karşılaştırma için tercih 
edilmişlerdir. Buna ek olarak, bu tür bir analiz doğrusal ve doğrusal olmayan 
yöntemlerin karşılaştırılması olarak da görülebilir ki bu sayede, kesin olmamakla 
birlikte, değişkenlerin doğrusallık özellikleri hakkında bir takım fikirler elde etmek 
de mümkün gözükmektedir. 
 
Bölümün kalan kısmında tahmin edilen modeller ayrıntılı bir şekilde 
anlatılmaktadır. Ayrıca, VAR ve ARMA modelleri anlatılırken bu yöntemler için 
bazı teorik bilgilere de yer verilmektedir. Modellerin karşılaştırılmasına yönelik 
analizin ayrıntıları ve sonuçları ise bir sonraki bölüme bırakılmaktadır. 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
48

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
3.1. YSA Modelleri 
 
Yapay Sinir Ağı modelleri, Bölüm 2.3’te detaylı olarak açıklanan Geri 
Yayılma Yapay Sinir Ağı metodolojisi kullanılarak tahmin edilmiştir. İleri besleme 
ağ yapısına sahip bu ağ mimarilerinde yönlendirmeli eğitme kullanılmaktadır. 
Zaten, Geri Yayılma Ağ olarak adlandırılmalarının temel sebebi de bir 
yönlendirmeli eğitme tekniği olan geri yayılma algoritması kullanılmasıdır. 
 
Bu yöntem, kantitatif verilerle öngörü amaçlı çalışmalarda en çok kullanılan 
ağ mimarisi olması nedeniyle bu çalışmada tercih edilen metot olmuştur. Hem 
doğrusal hem de doğrusal olmayan yapılarda oldukça başarılı sonuçlar vermesi 
öngörü amaçlı çalışmalarda sıkça kullanılmasının ve dolayısıyla  bu çalışmada 
uygulanan metot olmasının en temel sebeplerinden birisidir. Başka bir önemli sebep 
ise diğer mimarilere göre çok daha kullanışlı bir yöntem olmasıdır. Bu sayede daha 
az çaba ile yeterli derecede başarılı sonuçlar elde edebilen bir mimari olarak dikkat 
çekmektedir. 
 
Gerek fiyat modeli (YSA-1) gerekse üretim modelinin (YSA-2) tahmininde 
tam bağlantılı ve iki tabakalı  ağ mimarisi oluşturulmuştur. Dolayısıyla, ağ 
mimarileri tek gizli tabakaya sahiptirler. Ayrıca, her iki model için de eğitme 
sürecinde öğrenme kuralı olarak Delta Kuralına yer verilmiştir. Girdi ve çıktı 
tabakalarındaki nöron sayılarının normal olarak girdi ve çıktı değişkenlerin sayısına 
bağlı olduğu göz önüne alındığında, sadece gizli tabakanın sahip olduğu nöron 
sayısı için herhangi bir kısıt kullanılmamıştır. 
 
Bundan sonraki iki alt bölümde sırasıyla YSA metodolojisi ile tahmin edilen 
fiyat ve üretim modelleri açıklanmaktadır. Hem oluşturulan model mimarisi hem de 
elde edilen sonuçlara yer verilmektedir. Bu model tahminleri MATLAB yazılımının 
Sinir Ağları Alt Yazılımı (Neural Network Toolbox) kullanılarak 
gerçekleştirilmiştir.  
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
49

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
3.1.1. Fiyat Modeli (YSA-1) 
 
Fiyat modelinde bağımlı değişken olarak kullanılan genel TEFE serisinin aylık 
artış oranlarını açıklamak için döviz kuru (ABD Doları) ve M2Y para arzı tanımının 
aylık artış oranları ile birlikte bağımlı değişkenin birinci gecikmeleri kullanılmıştır. 
Dolayısıyla, bu tercihlerin ima ettiği fonksiyonel yapı üç girdi değişkenine (P
-1
, E
-1
, 
M
-1
) ve bir çıktı değişkenine (P) sahiptir. Büyük harflerle gösterilen bu değişken 
isimleri, değişkenlerin doğal logaritmalı birinci farklarını temsil etmektedir ve aksi 
belirtilmedikçe bütün modellerde bu gösterim kullanılmıştır. 
 
Üç girdi değişkeni ve bir çıktı değişkeni içeren bu fonksiyonel yapıyı tahmin 
etmek için iki tabakalı bir Geri Yayılmalı YSA mimarisi (YSA-1) oluşturulmuştur. 
Şekil 3.1’de sunulan bu mimarinin girdi tabakasında girdi değişkenlerin 
değerlerinin ağa sunulmasını sağlayan üç adet nöron ve çıktı tabakasında ise 
bağımlı değişkene ait ağ çıktısının alındığı bir adet nöron bulunmaktadır.  
 
Şekil 3.1: YSA-1 Modelinin Mimarisi 
 
 
Önceden de bertildiği gibi, gizli tabakadaki nöron sayısı için bir kısıt 
kullanılmamıştır. Bunun yerine, gizli tabakadaki nöron sayısı, üst limit kriteri de 
dikkate alınarak, bir performans değerlendirmesine göre belirlenmiştir. Değişik 
sayıda gizli nöronlarla yapılan denemeler sonunda gizli tabakadaki nöron sayısı dört 
olarak belirlenmiştir.  Şekil 3.1’de gizli nöronlar numaralandırılmış dairelerle 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
50

---