Geri Dön

Zaman serilerinde öngürü bileştirme

Forecast combinations in time series

  1. Tez No: 728445
  2. Yazar: MUHAMMED BEŞİR KATERJİ
  3. Danışmanlar: DOÇ. DR. İDİL YAVUZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 61

Özet

Tahminleme, hem i¸sletmeler hem de bilimsel ara¸stırmalar için çok önemlidir, çünkü bize bilgili ve veriye dayalı kararlar vermemizi saglar. Literatürde yaygın olarak uygulanan birçok tahmin yakla¸sımı vardır ve bunların hiçbiri tüm zaman serisi verileri için tutarlı bir ¸sekilde digerlerinden üstün olmamı¸stır. Bu nedenle, uygulayclarn veri kümelerini analiz etmek için bir tahmin yöntemi seçmeleri gerekir ve bu görevin o kadar basit olmadıgı kanıtlanmı¸stır. Yanlı¸s yöntem veya model seçimi, yanlı¸s tahminlere ve zaman ve kaynak kaybına neden olur. Farklı yöntemlerden ve/veya modellerden tahminlerin birle¸stirilmesi önerilmi¸s ve alternatif bir yakla¸sım olarak literatürde kapsamlı olarak incelenmi¸stir. Makine ögrenimindeki son geli¸smeler nedeniyle son zamanlarda yeniden ilgi görmektedir. Bu tür tahmin kombinasyonlarının performansı, M4 ve M5 yarı¸smaları gibi son tahmin yarı¸smalarında baskındı. Bu tezde, basit ortalama yöntemi, birle¸sik medyan modeli, Bates & Granger yöntemi ve sıradan en küçük kareler yöntemi gibi iyi bilinen bazı tahmin birle¸stirme teknikleri tanıtılacak ve gerçek veri uygulamaları saglanacaktır.

Özet (Çeviri)

Forecasting is crucial for both businesses and scientific research because it empowers us to make informed and data-driven decisions. There are many forecasting approaches applied widely in the literature and none of them proved superior to the others for all types of time series data consistently. Therefore, forecasters need to select a forecasting method in order to analyze their data sets and this task has been proven to be not that straightforward. Selection of the wrong method or model yields to inaccurate forecasts and loss of time and resources. Combining forecasts from different methods and/or models has been proposed and studied extensively in the literature as an alternative approach. It has gained recent attention again due to the recent improvements in machine learning. The performance of such forecast combinations was dominant in recent forecasting competitions such as the M4 and M5 competitions. In this thesis, some well-known forecast combination techniques such as the simple average method, combined median model, Bates & Granger method and the ordinary least squares method will be introduced and real data applications will be provided.

Benzer Tezler

  1. Parçacık sürü optimizasyonuna dayalı en küçük budanmış kareler yöntemi ile çarpımsal nöron model için dayanıklı öğrenme algoritması

    Robust learning algori̇thm for multiplicative neuron model artificial neural networks wi̇th least tri̇mmed squares based on particle swarm optimization

    ÖZGE GÜNDOĞDU

    Doktora

    Türkçe

    Türkçe

    2016

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. EROL EĞRİOĞLU

  2. Zaman serisi öngörüsünde dendrit yapay sinir ağları için parçacık sürü optimizasyonuna dayalı dayanıklı öğrenme algoritması

    Robust learning algorithm based on particle swarm optimization for dendritic artificial neural networks in time series forecasting

    AYŞE YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    İstatistikGiresun Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. UFUK YOLCU

  3. A stress testıng framework for the Turkısh bankıng sector: an augmented approach

    Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım

    BAHADIR ÇAKMAK

    Doktora

    İngilizce

    İngilizce

    2014

    BankacılıkOrta Doğu Teknik Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. NADİR ÖCAL

  4. Comparison of the forecast performances of linear time series and artificial neural network models within the context of Turkish inflation

    Doğrusal zaman serileri ve yapay sinir ağları modellerinin öngörü performanslarının Türkiye'deki enflasyon bağlamında karşılaştırılması

    NURİ UÇAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2001

    Ekonomiİhsan Doğramacı Bilkent Üniversitesi

    DOÇ.DR. SERDAR SAYAN

  5. Yapay sinir ağlarının finansal zaman serilerinde öngörü başarısının incelenmesi: BİST 100 üzerine bir uygulama

    Analysis of the accuracy of artificial neural networks in financial time series: An application on BIST 100

    ASİL BURAK CAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    EkonometriBeykent Üniversitesi

    İşletme Yönetimi Ana Bilim Dalı

    PROF. DR. ÖZGÜR ÖMER ERSİN