Türkiye’de Enflasyon Oranlarının Makine Öğrenme Yöntemi ile Tahmini

Year 2024, Volume: 23 Issue: 3, 1029 - 1045, 30.07.2024

Serkan Nas , Ayşe Akboz Caner , Ayşe Ergin Ünal

https://doi.org/10.21547/jss.1371005

Abstract

Karar birimleri ve politika yapıcıların başarılı politikalar geliştirebilmelerinin önemli etkileyenlerinden biri gelecek dönemlere ait makroekonomik değişkenlerin doğru tahmin edilmesiyle gerçekleştirilmektedir. Enflasyon, söz konusu makroekonomik göstergeler arasında yer almakta olup başarılı politikalar gerçekleştirebilmek için enflasyonun reel etkilerini ve şiddetini minimize etmek, gelecek dönem değişimlerini ve etkileyenlerini belirlemek, enflasyonu güvenilir tahmin etmek gerekmektedir. Enflasyonun doğru bir şekilde tahmin edilmesi demek kamu sektörü ve özel sektör tarafından hem uygulanacak politikalar açısından hem de alınacak yatırım kararları bakımından önem arz etmektedir. Bu bağlamda yapılan çalışmada, Türkiye için 2008-2023 zaman aralığı kullanılarak üçer aylık veriler seçilmiştir. Çalışmada, geleneksel ekonometri yöntemleri yerine tahmin ile gerçeğin arasındaki farkın en aza indirgendiği makine öğrenme yöntemleri kullanılmıştır. Alternatif makine öğrenme metotları olan rastgele orman, karar ağacı ile yapay sinir ağları yöntemi olan çok katmanlı algılayıcı kullanılarak enflasyonu etkilediği düşünülen Brent petrol, Reeskont avans faiz oranı, para arzı, TÜFE, vergi gelirleri, genel bütçe gelirleri, politika faizi, Amerikan Doları/TL paritesi, GSYİH öznitelikleri seçilmiştir. Seçilen öznitelikler ile doğru tahminlemenin yapılacağı yöntem ve etkileyenin belirlenmesi amaçlanmaktadır. Analiz sonuçları karar ağacı modelinin, rastgele orman ve çok katmanlı algılayıcıya oranla en doğru enflasyon oranını tahmin ettiğini göstermektedir. Çalışma sonucundan elde edilen diğer bir bulgu ise Türkiye’de enflasyonun en yüksek belirleyicisinin Amerikan doları olduğu olgusudur.

Keywords

Enflasyon, Makine Öğrenmesi, Random Forest, Karar Ağacı.

Estimation of Inflation Rates in Turkey with Machine Learning Method

Abstract

One of the important factors of decision units and policymakers to develop successful policies is the correct estimation of macroeconomic variables for future periods. Inflation is among these macroeconomic indicators, and to realize successful policies, it is necessary to minimize the real effects and severity of inflation, determine future changes and their effects, and predict inflation reliably. Accurate forecasting of inflation is important both in terms of the policies to be implemented and the investment decisions to be taken by the public and private sectors. In this context, quarterly data were selected for Turkey using the 2008-2023 time period. In the study, machine learning methods were used instead of traditional econometric methods, in which the difference between prediction and reality was minimized. Brent oil, Rediscount advance interest rate, money supply, CPI, tax revenues, general budget revenues, policy rate, US Dollar/TL parity, and GDP attributes, which are thought to affect inflation, were selected by using random forest, decision tree and multi-layered detector, which is an artificial neural networks method, which are alternative machine learning methods. With the selected attributes, it is aimed to determine the method and influencer to make the correct estimation. The analysis results show that the decision tree model predicts the most accurate inflation rate compared to the random forest and multilayer sensor. Another finding from the study is that the highest determinant of inflation in Turkey is the US dollar.

Keywords

Inflation, Machine Learning, Random Forest, Decision Tree.

References

• Akay, E. Ç. (2018). Ekonometride yeni bir ufuk: Büyük veri ve makine öğrenmesi. Sosyal Bilimler Araştırma Dergisi, 7(2), 41-53.
• Akdağ, M., Yiğit, V. (2016). Box-Jenkıns ve yapay sinir ağı modelleri ile enflasyon tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 30 (2), 0-0. Retrieved From Https://Dergipark.Org.Tr/En/Pub/Atauniiibd/İssue/29907/322094
• Araujo, GS., Gaglianone, WP (2023). Brezilya'da enflasyon tahmini için makine öğrenimi yöntemleri: Klasik modellere karşı yeni yarışmacılar. Latin Amerika Merkez Bankacılığı Dergisi, 4 (2), 100087.
• Başçı, E., Kara, H. (2011). Finansal istikrar ve para politikası. İktisat İşletme ve Finans, 26(302), 9-25.
• Baybuza, I. (2018). Inflation forecasting using machine learning methods. Russian Journal of Money and Finance, 77(4), 42-59.
• Belgiu, M., Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS journal of photogrammetry and remote sensing, 114, 24-31.
• Bikker, J. A. (1998). Inflation forecasting for aggregates of the EU‐7 and EU‐14 with Bayesian VAR models. Journal of Forecasting, 17(2), 147-165.
• Bilgin, M. S. (2023). Enerji (petrol) fiyatları ve döviz kurunun enflasyon üzerindeki etkisi, Türkiye örneği: Toda-Yamamoto Modeli ile ampirik bir analiz (2014-2022). Sakarya İktisat Dergisi, 12(1), 1-14.
• Birinci, Y. (1989). Enflasyon, para politikası ve stratejileri. İstanbul Üniversitesi İktisat Fakültesi Mecmuası, 47(1-4).
• Bozkurt, C., Göğül, P. K. (2010). Para ve maliye politikalarının koordinasyonu. Akademik Araştırmalar ve Çalışmalar Dergisi (AKAD), 2(2), 27-44.
• Bölükbaş, M. (2018). Para ve maliye politikalarının enflasyon üzerindeki etkisi: BRIC ülkeleri ve Türkiye için bir Bootstrap Panel Granger Nedensellik Analizi. Bankacılar Dergisi, 105, 47-62.
• Çetintaş, H. (2003). Türkiye'de enflasyon ve büyüme. İstanbul Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, (28).
• Choudhary, M. A., Haider, A. (2012). Neural network models for inflation forecasting: An appraisal. Applied Economics, 44(20), 2631–2635.
• Fritzer, F., Moser, G., Scharler, J. (2002). Forecasting Austrian HICP and its components using VAR and ARIMA models (No. 73). Working paper.
• Gagliano, L. (2023). Seizure prediction: From patient perspectives to advanced signal processing and machine learning algorithms. (Doctoral dissertation, Polytechnique Montréal).
• Gönül Y., Ulu Ş., Bucak A., Bilir A. (2015). Yapay sinir ağları ve klinik araştırmalarda kullanımı. Genel Tıp Dergisi. 25(3), 104-111.
• Gürkaynak, R. S., Kısacıkoğlu, B., Lee, S. S., Şimşek, A. (2022). Türkiye’nin enflasyon tercihleri. A. S. Akat and S. Gürsel (Eds.), Çıkmaz yol: Dünden yarına türkiye ekonomisi, (pp. 123-148) içinde. İstanbul: İstanbul Bilgi Üniversitesi Yayınları.
• İnsel, A., Sualp, M. N., Karakaş, M. (2010). Arma ve yapay sinir ağları modellerinin karşılaştırmalı analizi: Türkiye örneği. İktisat İşletme ve Finans, 25(290), 35-64.
• Kartal, F. (2011). Türkiye’de enflasyon hedeflemesi stratejisi ve para politikasının görünümü. Maliye ve Finans Yazıları, 1 (91), 77-100.
• Kavzoğlu, T., Çölkesen, İ. (2010). Karar ağaçları ile uydu görüntülerinin sınıflandırılması. Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
• Kibritçioğlu, A. (2002). “Causes of inflation in Turkey: A literature survey with special reference to theories of ınflation”. Forthcoming in: Inflation and Disinflation in Turkey, (ed. by Kibritçioğlu, A., L. Rittenberg, and F. Selçuk). Aldershot: Ashgate, pp. 43-76.
• Konakoglu, B. (2020). Çok katmanlı algılayıcı yapay sinir ağı ile jeodezik elipsoidal koordinatların (φ, λ, h) 3 boyutlu global kartezyen koordinatlara (X, Y, Z) dönüşümü. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 10(3), 702-710.
• Koop, G., Korobilis, D. (2012). Forecasting inflation using dynamic model averaging. International Economic Review, 53(3), 867–886.
• He, Q., Shen, H., Tong, Z. (2012). Investigation of inflation forecasting. Applied Mathematics and Information Sciences, 6(3), 649-655.
• Meçik, O., Karabacak, M. (2011). Arıma modelleri ile enflasyon tahminlemesi: Türkiye uygulaması. Sosyal Ekonomik Araştırmalar Dergisi, 11 (22), 177-198. Retrieved From Https://Dergipark.Org.Tr/Tr/Pub/Susead/İssue/28413/302352
• Medeiros, M. C., Vasconcelos, G. F., Veiga, Á., & Zilberman, E. (2019). Forecasting inflation in a data-rich environment: the benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98-119.
• Medeiros, M. C., Vasconcelos, G. F., Veiga, Á., Zilberman, E. (2021). Forecasting inflation in a data-rich environment: The benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98-119.
• Min, H. (2009). Artificial intelligence in supply chain management: Theory and applications. International Journal of Logistics: Research and Applications, 13(1), 13-39.
• Mitra, D., Rashid, M. (1996). Comparative accuracy of forecasts of inflation: A Canadian Study. Applied Economics, 28(12), 1633-1637.
• Österholm, P. (2008). Can forecasting performance be improved by considering the steady state? An application to Swedish inflation and interest rate. Journal of Forecasting, 27(1), 41-51.
• Öztemel, E. (2003). Yapay sinir ağları. İstanbul: Papatya.
• Öztürk, K., Şahin, M. E. (2018). Yapay sinir ağları ve Yapay Zekâ’ya genel bir bakış. Takvim-i Zekayi, 6 (2), 25-36. Retrieved from https://dergipark.org.tr/tr/pub/takvim/issue/40063/427526
• Petek, A., Çelik, A. (2017). Türkiye’de enflasyon, döviz kuru, ihracat ve ithalat arasındaki ilişkinin ekonometrik analizi (1990-2015). Finans Politik ve Ekonomik Yorumlar, (626), 69-87.
• Probst, P., Wright, M. N., Boulesteix, A. L. (2019). Hyperparameters and tuning strategies for random forest. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(3), e1301.
• Sel, A. (2020). Pandemi sürecinde altın fiyatları ile kripto para ilişkisinin makine öğrenme metotları ile incelenmesi, İstatistik ve Uygulamalı Bilimler Dergisi, 2(1), pp. 85-98.
• Tafralı, S. (2022). “Yapay Öğrenme: Rastgele Orman.” E. T. 17.07.2023 https://medium.com/machine-learning-t%C3%BCrkiye/yapay-%C3%B6%C4%9Frenme-rastgele-orman-e8debdc886e7
• Taştan, H. (2022). Ekonometri ve makine öğrenmesi etkileşimi üzerine. Ekonomi-tek, 11 (2), 107-149. Retrieved from https://dergipark.org.tr/en/pub/ekonomitek/issue/72833/1171361
• Tay Bayramoğlu, A., Öztürk, Z. (2017). Arıma ve gri sistem modelleri ile enflasyon tahmini. Itobiad: Journal Of The Human & Social Science Researches, 6(2).
• The World Bank, World Development Indicators (2023), https://databank.worldbank.org/source/world-development-indicators/preview/on
• Ülke, V., Sahin, A., Subasi, A. (2018). A comparison of time series and machine learning models for inflation forecasting: empirical evidence from the USA. Neural Computing and Applications, 30, 1519-1527.
• Ville, B. (2013). Decision trees. Wiley Interdisciplinary Reviews: Computational statistics, 5(6), 448–455. doi:10.1002/wics.1278