ARCH yapılı basamaklı yapay sinir ağı modeli ile zaman serisi öngörüsü

Zaman serisi öngörüsü problemleri olasılıksal ve olasılıksal olmayan yaklaşımlar olarak iki başlıkta incelenebilir. Olasılıksal modeller, istatistiksel yaklaşımları temel alan Otoregresif (AR), Hareketli Ortalama (MA), Otoregresif Hareketli Ortalama (ARMA), Otoregresif Koşullu Değişen Varyans Modeli (ARCH) ve Genelleştirilmiş Otoregresif Koşullu Değişen Varyans Modeli (GARCH) gibi yaklaşımlardır. Bunun yanı sıra, bir zaman serisi tahmin aracı olarak, olasılıksal olmayan zaman serisi tahmin modellerinden, hesaplamalı yöntemler olarak da bilinen, Yapay Sinir Ağları (YSA) yaygın ve başarılı bir şekilde kullanılmaktadır. Bu çalışmada, ARCH yapılı bir yapay sinir ağı modeliyle girdiler ile çıktılar arasındaki doğrusal ve doğrusal olmayan ilişkileri birlikte, eş zamanlı tek bir süreç içerisinde, modelleyebilen bir zaman serisi öngörü aracı ortaya konmuştur. Bu tez kapsamında, Basamaklı-İleri Beslemeli-Yapay Sinir Ağı (B-YSA-Cascade Forward Artificial Neural Network) tekrarlayan (recurrent) bir yapıya dönüştürülerek kullanılmış ve ağın eğitimi genetik algoritma ile gerçekleştirilmiştir. Bu tez kapsamında önerilen ARCH-B-YSA'nın performansı ortaya konması adına,106 gözlemden oluşan, (Borsa İstanbul'da işlem gören piyasa ve işlem hacmi açısından en yüksek 100 hisse senedinin) oluşturduğu zaman serisi (BIST100) ve CIF2016 (2016 yılı Uluslararası Zaman Serisi Öngörü Yarışması=International Time Series Forecasting Competition) kapsamında kullanılan 48 zaman serisi . BIST-100 zaman serileri için gerçekleştirilen 6 analiz sonucunda önerilen modelin tatmin edici ve üstün öngörü sonuçları ürettiği görülmüştür. Ayrıca, CIF2016 zaman serileri için 288 analizin her biri için gerçekleştirilen 50 tekrar sonucunda, önerilen ARCH-B-YSA modelinin tüm durumların %71 inde en iyi ve diğerlerinde ise rekabetçi öngörü sonuçları ürettiği görülmüştür.