Zaman Serisi Öngörüsü İçin Ar-Arch Tipli Yapay Sinir Ağları

Abstract

Doğrusal zaman serileri Box-Jenkins yöntemleri kullanılarak öngörümlenebilir. Gerçek hayat zaman serileri nadiren doğrusaldır. Otoregresif koşullu değişen varyans modelleri, doğrusal olmayan zaman serilerinin öngörüsü için önerilmiştir. Ancak, bu modeller zaman serileri için özel modellerdir ve her zaman serisinde uygulanamaz. Bu nedenle herhangi bir doğrusal olmayan ya da doğrusal yapıya sahip zaman serileri için son yıllarda yapay sinir ağları (YSA' ları) birçok araştırmacı tarafından çeşitli alanlarda kullanılmaktadır. YSA yöntemleri diğer geleneksel zaman serisi metotlarıyla karşılaştırıldığında pek çok avantaja sahiptir. Yapay sinir ağları geleneksel metotlardaki varsayımları gerektirmediğinden popüler hale gelmiştir. Buna ek olarak, son zamanlarda önerilen yapay sinir ağı temelli çarpımsal nöron model başarılı öngörü sonuçlarına sahiptir. Yapay sinir ağlarında karma yöntemlerin, zaman serisi öngörümlemesinde daha kullanışlı teknikler olduğu bilinmektedir. Bu çalışmada da yapay sinir ağı yapısında yeni bir karma öngörü metodu AR-ARCH tipli YSA (AR-ARCH-YSA) modeli önerilmiştir. Bu önerilen yaklaşımda yapay sinir ağının eğitimi için parçacık sürü optimizasyonu algoritması kullanılmıştır. Eğitim sürecinde kullanılan bu algoritma ile lokal minimumdan kaçınılma olasılığı artmaktadır. 2011-2013 Borsa İstanbul 100 günlük verileri ile 2016 yılı Uluslararası Zaman Serisi Öngörü Yarışması'nda kullanılmak üzere verilen bazı zaman serileri alınarak AR-ARCH-YSA modelinin öngörü performansı değerlendirilmiştir.Linear time series can be forecasted using Box-Jenkins procedures. Real-world time series are rarely linear. Autoregressive conditional heteroscedasticity models have been proposed for nonlinear time series. Nevertheless these models are specific models for time series and they are not applied for all of time series. Therefore in recent years artificial neural networks have been commonly used various fields by many researchers for any nonlinear or linear structure time series time series. Artificial neural networks procedures have many advantages comparing to the conventional time series methods. Since artificial neural networks do not require assumptions which are essential for the conventional techniques, they are getting popular. In addition to that, in recent times proposed multiplicative neuron model based artificial neural networks have successful forecasting results. It is known that hybrid methods in artificial neural networks are useful techniques for forecasting time series. In this study, a new hybrid forecasting method has a neural network structure AR-ARCH type neural networks model has been proposed. In the proposed approach, particle swarm optimization is used for training neural network. Model is trained by particle swarm optimization. Possibilities of avoid local minimum traps are increased by this algorithm in using trained process. Istanbul Stock Exchange daily data sets from 2011 to 2013 and some time series in using for2016 International Time Series Forecasting Competition are obtained to evaluate the forecasting performance of AR-ARCH type neural networks.