Finansal Stres Endeksinin Dalgacık Dönüşümlü Yapay Sinir Ağları Kullanılarak Tahmin Edilmesi

Creative Commons License

Sarı S. S.

The Journal of International Scientific Researches, cilt.7, sa.3, ss.282-296, 2022 (Hakemli Dergi)

  • Yayın Türü: Makale / Tam Makale
  • Cilt numarası: 7 Sayı: 3
  • Basım Tarihi: 2022
  • Dergi Adı: The Journal of International Scientific Researches
  • Derginin Tarandığı İndeksler: Index Copernicus, Asos İndeks
  • Sayfa Sayıları: ss.282-296
  • Erzincan Binali Yıldırım Üniversitesi Adresli: Evet

Özet

Finansal risk ve belirsizlikler nedeniyle karşılaşılan problemler dikkate alındığında, finansal stres endeksinin belirlenmesi büyük önem taşımaktadır. Çalışma ile makine öğrenmesi yöntemleri kullanılarak finansal stres endeksi seviyesinin tahmin edilmesi amaçlanmaktadır. Bu amaçla finansal stres endeksinin haftalık zaman serileri, bağımsız ve hibrit modeller kullanılarak incelenmiştir. Yapay sinir ağları, bağımsız makine öğrenme modelleri olarak kullanılırken, hibrit modeller oluşturmak için bir ön işleme tekniği olarak dalgacık dönüşümü kullanılmıştır. Ayrıca, finansal stres endeksi tahminlerinde, model doğruluklarını artırmak için otokorelasyon fonksiyonlarını kullanarak gecikme uzunlukları elde edilmiştir. Çalışmanın bulguları, çeşitli performans göstergeleri açısından değerlendirilmiştir. Finansal stres endeksinin tahmin edilmesinde dalgacık dönüşümlü yapay sinir ağları modelinin, yalın yapay sinir ağları modelinden daha iyi performans sergilediği tespit edilmiştir. Çalışma sonuçlarının finansal stres endeksini takip eden araştırmacı ve uygulayıcılar için fayda sağlayacağı düşünülmektedir. 

Considering the problems encountered due to financial risks and uncertainties, it is of great importance to determine the financial stress index. The aim of the study is to predict the level of financial stress index by using machine learning methods. For this purpose, the weekly time series of the financial stress index were examined using independent and hybrid models. While artificial neural networks are used as stand-alone machine learning models, wavelet transform is used as a preprocessing technique to create hybrid Models. In addition, lag lengths were obtained by using autocorrelation functions to increase model accuracy in financial stress index predictions. The findings of the study were evaluated in terms of various performance indicators. It has been determined that the wavelet transform artificial neural network model performs better than the pure artificial neural network model in predicting the financial stress index. It is thought that the results of the study will be beneficial for researchers and practitioners following the financial stress index.