Derin öğrenme yaklaşımı ile döviz kuru tahmini: Türkiye örneği

Abstract

Bu tez, Türkiye ekonomisi bağlamında döviz kuru tahmini için derin öğrenme modellerinin etkinliğini incelemektedir. Döviz kuru, ekonomik istikrar ve makroekonomik politika kararlarında kritik bir değişken olup doğrusal olmayan dinamiklere sahip karmaşık bir süreçle belirlenmektedir. Geleneksel ekonometrik yöntemlerin bu karmaşıklığı yeterince yakalayamaması nedeniyle derin öğrenme teknikleri son yıllarda döviz kuru tahmininde giderek daha fazla tercih edilmektedir. Çalışmada, USD/TL ve EUR/TL döviz kurlarının tahmini için LSTM, GRU, Bi-LSTM, Bi-GRU gibi RNN tabanlı modellerin yanı sıra, CNN ile birleştirilmiş hibrit modeller kullanılmıştır. Araştırmada kullanılan veri seti, Türkiye Cumhuriyet Merkez Bankası’nın günlük kapanış fiyatlarından oluşmakta olup, Türkiye ekonomisindeki yapısal dönüşümlere göre üç dönemde analiz edilmiştir: 2001’de esnek kur rejimine geçiş, 2010’da finansal istikrar politikalarının uygulanmaya başlanması ve 2016 sonrası ekonomik dalgalanmalar. Bulgular, kısa vadeli analizlerde ani dalgalanmaların eğitim setine dahil edilmesinin modellerin performansını artırdığını, uzun vadeli analizlerde ise modellerin ani değişimlere daha duyarsız kaldığını göstermektedir. Özellikle uzun ve orta vadeli analizlerde CNN tabanlı hibrit modellerin özellik çıkarma yetenekleri sayesinde geleneksel RNN tabanlı modellere göre daha yüksek doğruluk sağladığı belirlenmiştir. Modellerin performansı MAE, MSE, RMSE ve R² metrikleri ile değerlendirildiğinde, CNN/Bi-LSTM ve CNN/Bi-GRU gibi hibrit yaklaşımların en iyi tahmin sonuçlarını verdiği tespit edilmiştir. Bu çalışma, döviz kuru tahmininde derin öğrenmenin potansiyelini ortaya koymakta ve gelecekte bu alanda yapılacak çalışmalara ışık tutmaktadır.

This thesis investigates the effectiveness of deep learning models for exchange rate forecasting in the context of the Turkish economy. The exchange rate is a critical variable in economic stability and macroeconomic policy decisions and is determined by a complex process with nonlinear dynamics. Since traditional econometric methods cannot adequately capture this complexity, deep learning techniques have been increasingly preferred in exchange rate forecasting in recent years. In this study, RNN-based models such as LSTM, GRU, Bi-LSTM, Bi-GRU as well as hybrid models combined with CNN are used to predict USD/TL and EUR/TL exchange rates. The data set used in the study consists of the daily closing prices of the Central Bank of the Republic of Turkey and is analyzed in three periods according to the structural transformations in the Turkish economy: The transition to a flexible exchange rate regime in 2001, the introduction of financial stability policies in 2010 and the economic fluctuations after 2016. The findings show that the inclusion of sudden fluctuations in the training set improves the performance of the models in short-term analyses, while in long-term analyses, the models are more insensitive to sudden changes. Especially in long-term and medium-term analyses, CNN-based hybrid models provide higher accuracy than traditional RNN-based models thanks to their feature extraction capabilities. When the performance of the models is evaluated with MAE, MSE, RMSE and R² metrics, it is found that hybrid approaches such as CNN/Bi-LSTM and CNN/Bi-GRU provide the best prediction results. This study reveals the potential of deep learning in exchange rate forecasting and sheds light on future studies in this field.