Makroekonomik göstergelerin yapay zekâ tabanlı tahmini: Arima, ANN ve LSTM modellerinin karşılaştırmalı analizi
Artificial intelligence-based forecasting of macroeconomic indicators: A comparative analysis of Arima, ANN and LSTM models
- Tez No: 1012315
- Danışmanlar: PROF. DR. RIFAT BARIŞ TEKİN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ekonomi, Computer Engineering and Computer Science and Control, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: İktisat Teorisi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Türkiye ekonomisinin temel makroekonomik göstergelerinin zaman serisi analizine dayalı olarak geleneksel istatistiksel yöntemler ve yapay zekâ tabanlı modellerle tahmin edilmesini incelemektedir. Çalışmada ihracat, ithalat, GSYH, işsizlik oranı, enflasyon ve döviz kuru gibi göstergeler kullanılmış; 1980-2023 dönemine ait yıllık verilerle modeller test edilerek 2024-2025 dönemi için ileriye dönük tahminler üretilmiştir. Araştırmanın amacı, farklı modelleme tekniklerinin tahmin performanslarını nesnel hata ölçütleriyle karşılaştırmak ve ekonomik politika süreçlerindeki potansiyel katkılarını değerlendirmektir. Tezde ARIMA ve Seasonal ARIMA modellerinin yanı sıra LSTM, Yapay Sinir Ağları, Destek Vektör Makineleri ve Karar Ağaçları gibi yapay zekâ tabanlı yöntemler uygulanmıştır. Model performansları RMSE, MAE ve R² ölçütleri kullanılarak karşılaştırılmıştır. Bulgular, performansın ekonomik göstergeye, veri yapısına ve örneklem büyüklüğüne bağlı olarak değiştiğini göstermektedir. LSTM modelleri bazı göstergelerde rekabetçi sonuçlar üretmesine rağmen, sınırlı örneklem büyüklüğü ve negatif R² değerleri nedeniyle tek başına üstün bir yöntem olarak değerlendirilmemelidir. Buna karşılık ARIMA ve Seasonal ARIMA modelleri doğrusal eğilimlerin ve belirli zaman serisi örüntülerinin modellenmesinde daha istikrarlı ve yorumlanabilir sonuçlar sağlamıştır. Tezin özgün katkısı, aynı veri seti üzerinde farklı istatistiksel, makine öğrenmesi ve derin öğrenme modellerinin yalnızca başarılı yönleriyle değil, sınırlılıklarıyla birlikte karşılaştırmalı biçimde değerlendirilmesidir. Ayrıca hata ölçütleri ve görsel analizler üzerinden yapılan tartışmalar, yöntemlerin güçlü ve zayıf yönlerinin daha açık biçimde ortaya konmasına katkı sağlamaktadır. Sonuç olarak çalışma, yapay zekâ tabanlı yöntemlerin ekonomik tahminlerde kullanılabilirliğini desteklemekle birlikte, model seçiminin veri yapısı, örneklem büyüklüğü, hata ölçütleri ve ekonomik yorumlanabilirlik dikkate alınarak yapılması gerektiğini göstermektedir. Bulgular, yapay zekâ modellerinin klasik yöntemlerin yerine mutlak alternatifler değil, uygun koşullarda tamamlayıcı karar destek araçları olarak değerlendirilmesi gerektiğini ortaya koymaktadır.
Özet (Çeviri)
This thesis investigates the forecasting of key macroeconomic indicators of the Turkish economy using traditional statistical and artificial intelligence-based models within a time-series framework. Major indicators including exports, imports, gross domestic product (GDP), unemployment, inflation, and exchange rates were analyzed using annual data from 1980 to 2023, while forecasts were generated for the 2024-2025 period. The main objective is to compare forecasting performance across modeling approaches using objective error metrics and evaluate their contributions to economic policymaking. Classical time-series approaches such as ARIMA and Seasonal ARIMA were implemented alongside artificial intelligence and machine learning-based methods including Long Short-Term Memory (LSTM), Artificial Neural Networks (ANN), Support Vector Machines (SVM), and Decision Trees. Model performance was evaluated using RMSE, MAE, and R² metrics. Results indicate that forecasting performance varies across economic indicators, data structures, and sample sizes. Although LSTM-based models produced competitive results for certain indicators, limited sample size and findings such as negative R² values suggest that these methods should not be considered universally superior. In contrast, ARIMA and Seasonal ARIMA models provided more stable and interpretable results for linear trends and specific time-series patterns. The originality of this thesis lies in the comparative evaluation of statistical, machine learning, and deep learning approaches using the same dataset while also interpreting models with limited forecasting capability from an economic perspective. Examining model limitations and forecasting failures using error metrics and visual analyses provides a clearer assessment of methodological strengths and weaknesses. In conclusion, the study supports the applicability of artificial intelligence-based approaches in economic forecasting while emphasizing that model selection should consider data characteristics, sample size, forecasting metrics, and economic interpretability. The findings suggest that artificial intelligence models should be viewed not as substitutes for conventional methods but as complementary decision-support tools under appropriate data conditions.
Benzer Tezler
- Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi
Short-term direction forecasting in capital markets with advanced machine learning and dynamic TP/SL analysis
EMRE ARI
Doktora
Türkçe
2026
İstatistikİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Finansal piyasalarda yapay zekâ uygulamaları: BIST 30 endeksinin LSTM ile tahmini
Application of artificial intelligence in financial markets
İZEL COŞKUN
Yüksek Lisans
Türkçe
2025
BankacılıkAkdeniz ÜniversitesiFinans ve Bankacılık Ana Bilim Dalı
DOÇ. DR. ULAŞ ÜNLÜ
- Forecasting bank loan growth in Türki̇ye: A comparison of conventional econometric models and machine learning algorithms
Türkiye'de banka kredisi büyümesinin tahmini: Geleneksel ekonometrik modeller ve makine öğrenme algoritmalarının karşılaştırılması
SALİH ZEKİ ATILGAN
- Prıorıtızatıon of socıal medıa advertısıng channels ınonlıne retaılıng by an aı-drıven mcdm framework
Çevrimiçi perakendecilikte sosyal medya reklamkanallarinin yapay zeka destekli bir çkkv çerçevesiyleönceliklendirilmesi
SABA MOSTAFAEI
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- Veri analitiğinin ekonomik etkileri: İnternet yayıncılığında metin tabanlı öneri motoru örneği
Economic effects of data analytics: Text based recommendation engine example in internet publishing
AHMET TEZCAN TEKİN
Yüksek Lisans
Türkçe
2017
Ekonomiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. NEDİME LERZAN ÖZKALE
DOÇ. DR. BAŞAR ÖZTAYŞİ