Döviz kuru tahminlemesinde geleneksel yöntemlere karşı makine öğrenmesi: kırılgan beşli ekonomileri için uygulamalar
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Sosyal Bilimler Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
ederek küresel ekonomiyi derinden etkilemiştir. Ekonomi literatüründe "Kırılgan Beşli" (Brezilya, Endonezya, Güney Afrika, Hindistan ve Türkiye) olarak adlandırılan ülkeler, finansal sermaye akışlarına büyük ölçüde bağımlı oldukları için bu karardan ciddi şekilde etkilenmişlerdir. Finansal sermaye akışlarının temel belirleyicilerinden biri olan faiz oranlarındaki dalgalanmalar, zamanla döviz kuru oynaklığının artmasına neden olmuştur. Kırılgan Beşli ülkeleri, yüksek ithalat bağımlılıkları nedeniyle döviz kurundaki yükselişlerin yurtiçi fiyatlara olumsuz yansıması sonucunda enflasyon hedeflerinden sapmalar yaşamaktadır. Bu sapmalar, para otoriteleri açısından güvenilirlik, kredibilite ve itibar gibi kritik sorunları beraberinde getirmekte ve makroekonomik dengeyi bozmaktadır. Bu nedenle, döviz kurlarının güvenilir tahminlerini yapmak hem para otoriteleri hem de diğer finansal aktörler için hayati önem taşımaktadır. Güvenilir tahminler enflasyon hedeflemesinin başarısını artırmak, para politikasının etkinliğini sağlamak ve makroekonomik istikrarı korumak için gereklidir. Bu bağlamda, gelişmiş tahmin yöntemlerine dayalı modellemeler yapılması, döviz kuru oynaklığının etkilerini yönetmede ve ekonomi politikalarının oluşturulma süreçlerinde yol gösterici olacaktır. Bu çalışmada, döviz kurunun gecikmeli değerleri kullanılarak tek değişkenli modeller oluşturulmuş, katı fiyatlı parasalcı model temelinde ise çok değişkenli modeller geliştirilmiştir. Tek değişkenli modellerde döviz kurunun nokta ve yön tahmini esas alınırken, çok değişkenli modellerde Dornbusch'un Hedefi Aşan Döviz Kuru modelindeki makroekonomik değişkenlerin nominal döviz kuru ile etkileşimi ve tahmin sürecine katkıları incelenmiştir. Döviz kuru tahminleri; Naïve Drift, Theta, Holt's Winter Üstel Düzleştirme, ARIMA, Ridge Regresyon, RNN, LSTM, GRU, CNN ve XGBoost yöntemleriyle gerçekleştirilmiştir. Modellemelerin her aşamasında ileri optimizasyon teknikleri kullanılmıştır. Elde edilen bulgulara göre, tek değişkenli modellerde makine öğrenmesi teknikleri hem nokta hem de yön açısından üstün başarı sergilemektedir. Benzer şekilde, döviz kurunun geçmiş değerleri modele dahil edilmese bile, çok değişkenli modellerde de makine öğrenmesi teknikleri yön açısından üstün başarı göstermektedir. Sonuç olarak; hem para otoriteleri hem de diğer finansal aktörler için, iktisadi teorilerden ve rezerv paraya sahip ülkelerin makroekonomilerinden uzaklaşmadan, ileri optimizasyon teknikleri ile makine öğrenmesi yöntemleri kullanılarak güvenilir tahminler yapılabilir.
In 2013, the Federal Reserve Bank (Fed) profoundly impacted the global economy by announcing the termination of its quantitative easing policy. The countries referred to as the "Fragile Five" in economic literature (Brazil, Indonesia, South Africa, India, and Turkey) were severely affected by this decision due to their high dependence on financial capital flows. Fluctuations in interest rates, a key determinant of financial capital flows, have led to increased exchange rate volatility over time. The Fragile Five countries experience deviations from their inflation targets due to the adverse reflection of exchange rate increases on domestic prices stemming from their high import dependencies. These deviations bring critical issues such as reliability, credibility, and reputation for monetary authorities and disrupt macroeconomic balance. Therefore, making reliable forecasts of exchange rates is vital for both monetary authorities and other financial actors. Reliable forecasts are necessary to enhance the success of inflation targeting, ensure the effectiveness of monetary policy, and maintain macroeconomic stability. In this context, modeling based on advanced forecasting methods will guide managing the effects of exchange rate volatility and in the processes of formulating economic policies. In this study, univariate models were constructed using lagged values of the exchange rate, while multivariate models were developed based on the sticky-price monetary model. In univariate models, point and directional forecasts of the exchange rate were emphasized, while in multivariate models, the interaction of macroeconomic variables from Dornbusch's Overshooting Exchange Rate model with the nominal exchange rate and their contributions to the forecasting process were examined. Exchange rate forecasts were conducted using Naïve Drift, Theta, Holt's Winter Exponential Smoothing, ARIMA, Ridge Regression, RNN, LSTM, GRU, CNN, and XGBoost methods. Advanced optimization techniques were employed at every stage of modeling. According to the findings, machine learning techniques demonstrate superior performance in both point and directional aspects in univariate models. Similarly, even when past values of the exchange rate are not included in the model, machine learning techniques exhibit superior directional performance in multivariate models as well. In conclusion, reliable forecasts can be made for both monetary authorities and other financial actors using machine learning methods with advanced optimization techniques without departing from economic theories and the macroeconomics of reserve currency countries.
In 2013, the Federal Reserve Bank (Fed) profoundly impacted the global economy by announcing the termination of its quantitative easing policy. The countries referred to as the "Fragile Five" in economic literature (Brazil, Indonesia, South Africa, India, and Turkey) were severely affected by this decision due to their high dependence on financial capital flows. Fluctuations in interest rates, a key determinant of financial capital flows, have led to increased exchange rate volatility over time. The Fragile Five countries experience deviations from their inflation targets due to the adverse reflection of exchange rate increases on domestic prices stemming from their high import dependencies. These deviations bring critical issues such as reliability, credibility, and reputation for monetary authorities and disrupt macroeconomic balance. Therefore, making reliable forecasts of exchange rates is vital for both monetary authorities and other financial actors. Reliable forecasts are necessary to enhance the success of inflation targeting, ensure the effectiveness of monetary policy, and maintain macroeconomic stability. In this context, modeling based on advanced forecasting methods will guide managing the effects of exchange rate volatility and in the processes of formulating economic policies. In this study, univariate models were constructed using lagged values of the exchange rate, while multivariate models were developed based on the sticky-price monetary model. In univariate models, point and directional forecasts of the exchange rate were emphasized, while in multivariate models, the interaction of macroeconomic variables from Dornbusch's Overshooting Exchange Rate model with the nominal exchange rate and their contributions to the forecasting process were examined. Exchange rate forecasts were conducted using Naïve Drift, Theta, Holt's Winter Exponential Smoothing, ARIMA, Ridge Regression, RNN, LSTM, GRU, CNN, and XGBoost methods. Advanced optimization techniques were employed at every stage of modeling. According to the findings, machine learning techniques demonstrate superior performance in both point and directional aspects in univariate models. Similarly, even when past values of the exchange rate are not included in the model, machine learning techniques exhibit superior directional performance in multivariate models as well. In conclusion, reliable forecasts can be made for both monetary authorities and other financial actors using machine learning methods with advanced optimization techniques without departing from economic theories and the macroeconomics of reserve currency countries.
Açıklama
Anahtar Kelimeler
Döviz Kuru Tahmini, Makine Öğrenmesi, Optimizasyon,Optimizasyon,, Zaman Serileri Analizi, Exchange Rate, Machine Learning, Optimization, Time Series Analysis
