Döviz Kuru Tahmininde Yapay Sinir Ağlarının Kullanımı

12/22/2010 12:08:00 ÖS analiz, ANN, axon, döviz, epoch, forecasting, hotfile, matlab, neural network, others, rapidshare, tahmin, teknik analiz, temel analiz, USD, yapay sinir ağı, yapay zeka, YSA, yüksek lisans 1 Comment

Güncelleme: 22 Mayıs 2013 (Kırık linkler düzeltildi)
Güncelleme: 7 Şubat 2013
İlk yayın tarihi : 22.12.2010

2006 yılında tamamlamış olduğum Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı'ndaki Yüksek Lisans Tezimi  ilgililerin kullanımına sunuyorum. Şuradaki linkten PDF olarak tamamını indirebilirsiniz.

(Daha sonra elektronikteki yüksek lisans tezimi de kullanıma sunacağım.)

Aşağıda tezin özeti ve sonuç kısmını bulabilirsiniz. Faydalı olması dileğimle.

Tezin tamamını PDF olarak şuralardan indirebilirsiniz.
http://www.yapay-zeka.org/modules/mydownloads/visit.php?cid=5&lid=70

ÖZET
DÖVİZ KURU TAHMİNİNDE YAPAY SİNİR AĞLARININ KULLANIMI
Yüksek Lisans Tezi – 2006
İşletme Bilim Dalı
Danışman: Yrd. Doç.Dr. Birol YILDIZ

Bu tez çalışmasının amacı, günümüzün umut verici yapay zekâ tekniklerinden birisi olan Yapay Sinir Ağlarının ekonomi ve finans alanında bir uygulamasını gerçekleştirmektir. Gerçekleştirilen uygulamada, döviz kurlarının gelecekteki değerinin ve yönünün yüksek doğruluk oranı ile öngörülmesine çalışılmıştır.

Bu çalışmada kullanılan veriler,  T.C. Merkez Bankası’nın web sitesinden elde edilmiştir. USD’nin değerine etki ettiği düşünülen 41 değişik ekonomik parametre ve değişkene dair 4 Ocak 1999 ile 28 Şubat 2006 tarihleri arasında toplam 1867 günlük veri kullanılmıştır.

Araştırma ve uygulama sonucunda, yapay sinir ağlarının mimarileri, katman sayıları ve katmanlardaki hücre sayıları, eğitim yöntemleri gibi parametrelerin ağın doğru çözüme yaklaşmasında ne kadar etkili olduğu gözlemlenmiştir. Dövizin gelecekteki değerinin ne olacağının, yükselip düşeceğinin öngörülmesinde YSA’ların bir karar destek aracı olabileceği saptanmıştır.

ABSTRACT
USING ARTIFICIAL NEURAL NETWORKS FOR FORECASTING USD EXCHANGE RATES

Master Thesis – 2006
Business Administration

Advisor: Birol YILDIZ, Assistant Professor

The purpose of this study was to perform an application of Artificial Neural Networks (ANN) which are one of the promising Artificial Intelligence techniques nowadays, on economical and financial sectors.

Data were collected from the official web site of Central Bank of the Republic of Turkey. 41 economical parameters and variables which affect the fluctuations of the USD were used in this study. 1867 days of data between 4 January 1999 and 28 February 2006 used in this study.

As a result of this study we determined how affects these parameters such as the structure of ANN, number of layers in the ANN and artificial neurons in the layers, the training methods to reach the best solution. We have decided that ANNs can be used as a supplementary tool to predict future value and trend of the USD.

SONUÇ VE ÖNERİLER

İnsanoğlu bugünkü teknolojiye büyük ölçüde doğayı örnek alıp taklit ederek sahip olmuştur. Yapay Zekâ kavramı da insanoğlunun kendi zekâ yeteneğini taklit etmeye çalışmasından ortaya çıkmıştır. Yapay Sinir Ağları (YSA), insan beyninin çalışmasını taklit eden bir yapay zekâ teknolojisidir. Her ne kadar YSA henüz insan beyninin kapasitesini yakalamaktan çok uzak da olsa günümüzde üzerinde en çok çalışılan konulardan birisidir. YSA finanstan sağlığa, karakter tanımadan hava tahminine, parmak izi okumadan kredi verilmesi kararına kadar birçok alanda uygulanabilmektedir.

Literatürde döviz kurunun tahmini üzerine geleneksel yöntemlerle gerçekleştirilmiş yurtiçinde ve yurtdışında birçok çalışma mevcuttur. YSA’ların non-lineer işlemlerdeki ve zaman serilerinin çözümlenmesindeki başarısı ekonomi ve finans alanında çalışanları da cezbettiğinden, her geçen gün YSA’ların ekonomi ve finans alanındaki kullanımı yaygınlaşmaktadır. Buna rağmen YSA’ların kullanıldığı döviz kurunu tahmin etme çalışmaları henüz yeterli sayıda değildir. Geleneksel tahmin yöntemlerinde; daha önceki bölümlerde ayrıntılarını verdiğimiz zaman serilerinin öngörüsü için kesin modelinin olmaması, verilerin gürültü yani ani sıçramalar içermesi, durağan olmaması ve lineer olmamasından kaynaklanan bazı sorunlar vardır. YSA’lar geleneksel tahmin yöntemlerinin bu sorunlarını da büyük ölçüde telafi edebilirler. Ayrıca YSA’ların varsayımlara ihtiyaç duymaması, genelleme yapabilmesi, bir kez eğitildikten sonra eksik verilerle dahi çalışabilmesi, kendi kendine öğrenebilmesi gibi özellikleri nedeni ile de geleneksel tahmin yöntemlerine göre daha avantajlıdırlar. Geleneksel yöntemler ile YSA kullanılarak yapılan döviz kuru tahminlerini kıyaslayan çalışmalar da literatürde mevcuttur. Bu çalışmalar ortaya koymaktadır ki YSA’lar non-lineer olan döviz kurunun gelecekteki değerinin tahmininde oldukça başarılıdır hatta çoğu zaman geleneksel yöntemlerden de başarılıdır.

Bununla beraber, yapay sinir ağları sihirli değnek de değildirler. Dolayısıyla mucize sonuçlar beklememek gerekir. YSA’lar ile henüz yatırım araçlarının gelecekteki değerlerinin %100 öngörüsü mümkün görünmemektedir. Özellikle Türkiye gibi, ekonomisi değişken olan ülkelerde borsa endeksi, altın, döviz fiyatları gibi değişkenlerin gelecekteki değerlerini tahmin edebilmek çok da kolay değildir. Buna rağmen YSA ile yapılacak analizler yatırım araçlarının seçiminde karar vermeyi destekleyici bir yöntem olarak kullanılabilir.

USD’nin gelecekteki değerinin ve yönünün YSA’lar yardımıyla doğru öngörülmesinin hedeflendiği bu çalışmanın benzer konudaki diğer YSA uygulamalarından en belirgin farkı kullanılan veri setidir. Diğer uygulamalarda genellikle tahmin edilmeye çalışılan değişkenin geçmişteki değerleri kullanılırken
-yani teknik analiz yapılırken- bu çalışmada USD’nin değerini doğrudan ya da dolaylı olarak etkilediği düşünülen 41 ayrı parametre kullanılmıştır;  yani temel analiz yapılmıştır. Uygulamada kullanılan parametrelerin sayısının arttırılıp azaltılması ya da farklı parametrelerin kullanılması ağın, dolayısıyla da yapılan tahminin performansını doğrudan etkileyecektir. Ayrıca bu çalışmada kullanılan veriler 4 Ocak 1999 ile 28 Şubat 2006 tarihleri arasında günlük olarak alınmıştır. TÜFE, ÜFE gibi aylık olarak açıklanan değişkenlerin değeri oransal olarak günlüğe çevrilerek kullanılmıştır. Diğer çalışmalarda veriler genellikle haftalık ya da aylık olarak kullanılmıştır. Bazı çalışmalarda ağın tahmin performansının artırılması amacıyla veri setindeki ani düşme ve/veya yükselmeler çeşitli gürültü eleme algoritmaları ile kırpılmış ya da veri setinden uzaklaştırılmıştır. Bu çalışmada kullanılan veriler herhangi bir gürültü eleme işlemine tabi tutulmadan ağa uygulanmıştır.

Bu çalışmada temel olarak, çeşitli Yapay Sinir Ağları kurularak zaman serisi şeklinde olan USD’nin gelecekteki değeri tahmin edilmeye çalışılmıştır. Zaman serilerini öngörmede YSA kullanacak araştırmacılara; ağın mimarisi, gizli katman sayısı, katmanlardaki yapay sinir hücresi sayısı, hangi eğitim algoritmalarını ve aktivasyon fonksiyonlarını kullanabilecekleri konusunda yol gösterebilmek bu çalışmanın diğer önemli hedeflerinden birisidir.

Çalışmamız esnasında öncelikle, zaman serilerinin gelecekteki değerinin tahmininde en çok kullanılan YSA algoritması olan Geriye Yayılım Algoritması (GYA) kullanılmıştır.

Elimizdeki verilerle kullanılmaya en uygun ve ulaşmaya çalıştığımız hedefimize yönelik olarak GYA’da performansı en yüksek eğitim algoritmasını bulmak için çeşitli mimarilerde ağlar oluşturulmuş ve denenmiştir. MATLAB’in bize sunmuş olduğu eğitim algoritmaları üzerinde yapılan denemelerin sonucunda, trainbr (Bayesian Regularization) eğitim algoritmasının uygulamamızda en başarılı sonucu üreten algoritma olduğu tespit edilmiştir. trainbr en hızlı algoritma olmasa da sonuca ulaşma hızı kabul edilebilir değerlerdedir. Diğer eğitim algoritmalarından traingd, traingdm ve traingdx algoritmalarının, hem yavaşlığı hem de çok sık yerel minimuma takılması nedeniyle uygulamamızda kesinlikle kullanılamayacak olması da elde ettiğimiz sonuçlar arasındadır.

Yapılan denemelerde, birden fazla gizli katman içermesinin başarı oranını arttırmadığı fakat bunun yanında doğal olarak ağın çalışma hızını olumsuz yönde etkilediği tespit edilmiştir. Aynı şekilde, gizli katmanlarda kullanılan nöron sayısının arttırılmasının da ağın hata oranını düşürmediği ama ağın hızını hissedilir şekilde azalttığı görülmüştür.

Değişik katman ve nöron sayılarında kurduğumuz ağlarda, türevlenebildiği için, geriye yayılım algoritmasında kullanılmaya en uygun olan aktivasyon fonksiyonlarından “Hiperbolik Tanjant Sigmoid” ve “Logaritmik Sigmoid” fonksiyonları kullanılmıştır. Denemelerimizde iki fonksiyonun ağlarımızda kullanımında önemli bir fark tespit edilememekle birlikte tansig’in daha başarılı sonuçlar ürettiği gözlemlenmiştir.

Uygulamalarımızda, USD’nin gelecekteki değerinin doğru tahmin edilebilmesi için iki ayrı veri seti ile çalışılmıştır. Bunlardan ilki 2001 krizinin verilerini de içeren 1867 günlük ve diğeri de krizden sonraki 723 günlük veri setleridir. YSA’lar ikinci grup verilerde daha başarılı sonuçlar üretmiştir. Çünkü ilk veri grubunda geniş bir bant içerisinde dalgalanan çok fazla ani inişler ve çıkışlar mevcuttur.

Ağların performansının ölçülmesi amacıyla yapmış olduğumuz diğer bir uygulama da, doların ertesi günkü gerçek değerinin tespiti yerine 5 gün sonraki değerinin bugünkünden yüksek veya düşük olduğunun araştırılmasıdır. Bu uygulama ile 2 çıkış sinyali üreten YSA’ları deneme imkânımız olmuştur. Denediğimiz ağlar; bugünkü verileri kullanarak doların 5 gün sonraki değerinde artı ya da eksi yönde %1’lik bir değişikliğin olup olmadığını bulmaya çalışmışlardır. Özellikle borsa, döviz, altın, vb kıymetlerin gelecekteki değerine göre hareket etmek isteyen yatırımcıların, kurum ve kuruluşların genellikle tercih ettiği yöntem budur. Yani gelecekteki değerinin kati olarak bilinmesinin yerine gelecekte belli bir oranda düşeceğinin ya da artacağının bilinmesi daha başarılı sonuçlar vermektedir. Daha önceki uygulamalardan edinilen tecrübelere göre; al, sat ya da bekle kararlarına göre hareket edenler ekonominin dalgalanmalarından daha az etkilendikleri ve hatta daha fazla kâr elde ettikleri görülmüştür. Bizim yapmış olduğumuz uygulamada da kurmuş olduğumuz YSA’lar ortalama olarak %60 seviyesinde doğru kararlar üretebilmiştir. Daha önce de bahsettiğimiz gibi %60’lık bir tahmin performansı oldukça iyi bir başarı olarak görülmektedir.
   
Son uygulama olarak da, zaman serilerinin analizinde pek kullanılmasa da GYA ile kıyaslayabilmek için Elman Ağı ile de denemeler yapılmıştır. Denemeler sonucunda görülmüştür ki Elman ağları da elimizdeki veriler ve hedefimiz doğrultusunda başarılı sonuçlar üretmiştir. Özellikle eğitim verileri içerisinde bulunan anlık sıçramaları başarılı bir biçimde tolere edebilmiştir. Fakat ağ, daha önce karşılaşmadığı verilerinin öngörülmesinde pek de başarılı olamamıştır.  Dolayısı ile zaman serilerinin analizinde Elman Ağlarının kullanımı GYA kadar başarılı sonuçlar vermeyecektir.

Yapay sinir ağlarının öngörü performanslarının arttırılması için halen birçok araştırma ve çalışma sürdürülmektedir. Örneğin özellikle ağın eğitilmesi işlemini hızlandırmak, ağın ezberlemesinin ve yerel minimum noktalarına takılmasının önüne geçmek için kullanılan neuro-fuzzy uygulamaları bunlardan birisidir. İleriki çalışmalarda değişik ağ modellerinin geliştirilmesi, bilgisayarların daha da hızlanmasına paralel olarak katman sayısının ve deneme sayısının arttırılması ile başarı oranı daha da yükselecektir.

Tezin tamamını PDF olarak şuralardan indirebilirsiniz.
http://www.yapay-zeka.org/modules/mydownloads/visit.php?cid=5&lid=70

http://tez2.yok.gov.tr/ adresinden de aratabilirsiniz.

Sağlıcakla kalın.

Ö.YILDIZ @ Eskişehir