THE ESTIMATION OF CURRENCY CRISES USING ARTIFICIAL INTELLIGENCE METHODS: THE CASE OF TURKEY

Year 2018, 18. EYI Special Issue, 649 - 666, 20.01.2018

Hasan Söyler , Oktay Kızılkaya

https://doi.org/10.18092/ulikidince.347202

Cited By: 7

Abstract

Financial
crises can cause extremely huge expenditure in taken place countries. In addition
to, those crises usually spread various channels and this situation increase
the fragility about crises of other countries. Ability to previous estimating
of the financial crises have an important role in problems in economy and
decreasing the occured expenditure. The aim of this study is to research the
predictability of the currency crises in Turkey by using Artificial Neural
Networks (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS) methods which
are the artificial intelligence methods; and to identify the variables that
effect the currency crises in Turkey. Consequences of this paper, it is
observed that Artificial Neural Networks methods used for estimating of
currency crises in Turkey gives quite good results. When the weighted values of
the independent variables are analyzed by the results of the ANN, which has the
best performance, it has been found out that three variables that mostly
affects the currency crises occurred in Turkey are respectively real effective
exchange rate (REER), interest rates on deposits (IROD) and export unit value
(XUV). These results indicate that ANN method is quite
successful in predicting currency crises.

Keywords

Artificial Neural Networks (ANN), Adaptive Neuro Fuzzy Inference System (ANFIS), Financial Crises, Currency Crises

PARA KRİZLERİNİN YAPAY ZEKA YÖNTEMLERİ İLE TAHMİNİ: TÜRKİYE ÖRNEĞİ

Abstract

Finansal krizler, yaşandıkları
ülkelerde son derece yüksek maliyetlere neden olabilmektedir. Ek olarak bu
krizler genellikle, çeşitli kanallar üzerinden yayılarak diğer ülkelerin kriz
konusundaki kırılganlığını artırmaktadır. Finansal krizlerin önceden tahmin
edilebilmesi de ekonomide ortaya çıkardığı sorunların ve yüklediği maliyetlerin
azaltılmasında önemli bir rol oynamaktadır. Bu çalışmanın amacı, Türkiye’de
yaşanan para krizlerinin öngörülebilirliğini yapay zeka yöntemlerinden Yapay
Sinir Ağları (YSA) ve Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS)
yöntemlerini kullanarak araştırmak ve Türkiye’de yaşanan para krizlerini
etkileyen değişkenleri belirlemektir. Çalışma sonucunda, Türkiye için para
krizi tahmininde kullanılan YSA yönteminin oldukça iyi sonuçlar verdiği
gözlemlenmiştir. En iyi performansa sahip YSA modelinin
sonuçları dikkate alınarak bağımsız
değişkenlerin ağırlıklı değerleri incelendiğinde ise Türkiye’de meydana gelen
para krizlerini en fazla etkileyen
üç değişkenin sırasıyla reel efektif döviz kuru (REDK), mevduat faiz oranları
(MFAIZ) ve ihracat birim değeri (XUV) değişkenleri olduğu sonucuna
ulaşılmıştır. Elde edilen sonuçlar YSA yönteminin para
krizleri tahmininde oldukça başarılı olduğunu göstermektedir.

Keywords

Yapay Sinir Ağları (YSA), Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS), Finansal Krizler, Para Krizleri

References

• Aktaş, M. ve Şen, B. (2013). 2008 Global Ekonomik Krizinin Öncü Göstergeleri ve Ülkeler Üzerinde Bir Uygulama. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 6(1), 137.
• Altıntaş, H. ve Öz B. (2007). Para Krizlerinin Sinyal Yaklaşımı İle Öngörülebilirliği: Türkiye Uygulaması. Anadolu University Journal of Social Sciences, 7(2), 2007.
• Altunöz, U. (2013). Finansal Krizler, Erken Uyarı Sistemleri ve 2008 Krizi için TR-ABD Örneği. Beta Basım.
• Claessens, S., Kose M. A., Laeven L. ve Valencia F. (2014), Financial Crises: Causes, Consequences, and Policy Responses. International Monetary Fund.
• Çeviş, İ. (2005). Para Krizlerine Ampirik Bir Yaklaşım, Sermaye Piyasası Kurulu.
• Doğru, B. (2015). Türkiye'nin Yakın Dönem Ekonomik Krizleri: 1994, 2001, 2008, ?. İstanbul: Hiperlink Yayınları.
• Edison, H.J. (2000). Do indicators of financial crises work? An evaluation of an early warning system. Board of Governors of the Federal Reserve System, International Finance Discussion Papers, Number 675, July 2000.
• Fausett, L. (1994), Fundamentals of Neural Networks: Architecture, Algoritma and Applications, New Jersey: Printice Hall.
• Gerni, C., Emsen Ö. S. ve Değer M. K. (2005). Erken Uyarı Sistemleri Yoluyla Türkiye’deki Ekonomik Krizlerin Analizi. Ekonometri ve İstatistik Dergisi, 2, 39-62.
• Goldstein, M., Kaminsky, G. L. ve Reinhart C. M. (2000). Finansal Kırılganlığın Ölçümü: Yükselen Piyasalar için Erken Uyarı Sistemleri. Çeviri: Z. Dina Çakmur Yıldırtan, Derin Yayınları.
• Gujarati, D. N. ve Porter, D. C. (2012). Temel Ekonometri. Literatür Yayıncılık.
• Haspolat, F. B. (2015). Ülke Kredi Notlarının Belirleyicileri: Türkiye’nin Kredi Notunun Ülke Karşılaştırmalı Analizi. TC Kalkınma Bakanlığı Uzmanlık Tezi.
• Huang, W., Lai K. K., Nakamori Y., Wang, S. ve Yu, L. (2007). Neural Networks in Finance and Economics Forecasting. International Journal of Information Technology and Decision Making, Vol. 6, No.1, 113-140.
• IMF (1998). Financial Crises: Characteristics and Indicators of Vulnerability in Financial Crises: Causes And Indicators, World Economic and Financial Survey World Economic Outlook.
• Işık, N., Alagöz M. ve Yıldırım M. (2006). 1990 Sonrası Türkiye’de Yaşanan Krizler: 1994, 2000 ve 2001 Krizleri. Ekonomik Kriz Öncesi Erken Uyarı Sistemleri: Makale Derlemesi, 237-262.
• Jang, J. S. (1993). ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665-685.
• Kaminsky, G. L. ve Reinhart C. M. (1999). The Twin Crises: The Causes of Banking and Balance-of-Payments Problems. American Economic Review, 473-500.
• Kaminsky, G., Lizondo S. ve Reinhart C. M. (1998). Leading Indicators of Currency Crises. Staff Papers, 45(1), 1998, 1-48.
• Karakayalı, H. ve Sayın F. (2010). Öncü Göstergeler Yaklaşımıyla Türkiye’de 2008 Krizinin Değerlendirilmesi. Finans Politik & Ekonomik Yorumlar. Cilt: 47 Sayı: 546.
• Kaya, V. ve Yılmaz Ö. (2006). Para Krizleri Öngörüsünde Sinyal Yaklaşımı: Türkiye Örneği. Ankara Üniversitesi SBF Dergisi, 61-2.
• Kibritçioğlu, A. (2001). Türkiye’de Ekonomik Krizler ve Hükümetler, 1969-2001. Yeni Türkiye Dergisi, Ekonomik Kriz Özel Sayısı, Cilt 1, Yıl 7, Sayı 41, Eylül-Ekim, 174-182.
• Liliana, T.A. ve Napitupulu (2012). Artificial Neural Network Application in Gross Domestic Product Forecasting an Indonesia Case. Journal of Theoretical and Applied Information Technology, Vol. 45, No. 2, ss. 410-415.
• Sevim, C. (2012). Öncü Göstergeler Yaklaşımına Göre Finansal Krizler ve Türkiye Örneği. BDDK Kitapları.
• Tarı, R. (2008). Ekonometri (Gözden Geçirilmiş Beşinci Baskı). İzmit: Kocaeli Üniversitesi Yayın, (172).
• Ucer, M., Rijckeghem C. V. ve Yolalan R. (1998). Leading indicators of currency crises: a brief literature survey and an application to Turkey. Yapi Kredi Economic Review, 9(2), ss. 3-23.
• Yüksel, S. (2016). Bankacılık Krizlerinin Erken Uyarı Sinyalleri: Türkiye Üzerine Bir Uygulama. Akademisyen Kitabevi.
• Zivot, E. ve Andrews D. (1992). Further Evidence on the Great Crash, the Oil-Price Shock and the Unit-Root Hypothesis. Journal of Business Economic Statistics, 10(3), 251-270.