Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması
Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods
- Tez No: 997020
- Danışmanlar: PROF. DR. İLKAY DİLBER
- Tez Türü: Doktora
- Konular: Ekonometri, Ekonomi, Econometrics, Economics
- Anahtar Kelimeler: Derin öğrenme, Ekonometrik modeller, Enflasyon, Makine öğrenmesi, Makroekonomi, Tahminleme, Yapay sinir ağları, Yapay zeka, Deep learning, Econometric models, Inflation, Machine learning, Macroeconomy, Forecasting, Artificial neural networks, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: İktisat Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın temel amacı, Türkiye'de enflasyonun yapay zekâ uygulamaları olan makine öğrenmesi (ML) ve derin öğrenme (DL) yöntemleri kullanılarak tahmin edilmesi ve bu yöntemlerin performanslarının sistematik bir şekilde karşılaştırılmasıdır. Çalışmanın ilk bölümünde, enflasyon kavramı teorik ve kavramsal çerçevede ele alınmıştır. Bu bağlamda, enflasyonun çeşitleri, maliyetleri ve enflasyona etki eden faktörler detaylı bir şekilde incelenmiştir. Para arzı, faiz oranları, döviz kurları, çıktı düzeyi, beklentiler ve enflasyon belirsizliği gibi değişkenlerin enflasyon üzerindeki etkileri analiz edilmiştir. Ayrıca, enflasyon tahmininde yaygın olarak kullanılan geleneksel yöntemler (Phillips Eğrisi, VAR, ARDL, ARIMA ve DSGE gibi modeller) sistematik bir şekilde değerlendirilmiştir. İkinci bölümde, çalışmanın metodolojik altyapısını oluşturan büyük veri ve yapay zekâ kavramları detaylı bir şekilde açıklanmıştır. Büyük verinin özellikleri ve önemi tartışıldıktan sonra, yapay zekâ ve makine öğrenmesi yöntemleri kapsamlı bir şeklide kavramsal olarak ele alınmıştır. Denetimli ve denetimsiz makine öğrenmesi yaklaşımları açıklanmış, yapay sinir ağlarının temel bileşenleri, mimarisi, sınıflandırılması ve öğrenme yöntemleri incelenmiştir. Ayrıca, bu bölümde son olarak derin öğrenme yöntemlerinin kavramsal çerçevesi de detaylandırılmıştır. Çalışmanın son bölümü olan ampirik analiz kısmında, Haziran 2010 – Temmuz 2025 dönemini kapsayan 182 gözlemlik aylık veri seti kullanılmış ve hedef değişken olarak Türkiye'nin çekirdek enflasyon endeksi verisi (C endeksi) seçilmiştir. Var olan ekonomi yazını ve ampirik bulgular dikkate alınarak, çekirdek enflasyonu etkileyen 13 temel makroekonomik değişken belirlenmiştir. Ardından, söz konusu değişkenlere sistematik bir özellik mühendisliği süreci uygulanmış; gecikmeli değerler, hareketli ortalamalar, etkileşim terimleri, oran ve fark değişkenleri ile kriz kukla değişkenleri gibi türev özellikler üretilmiş ve toplam 91 özellikten oluşan görece zengin bir değişken havuzu oluşturulmuştur. Bu geniş özellik setinden en bilgilendirici ve tahmin gücü yüksek değişkenlerin belirlenmesi amacıyla, LASSO, Elastic Net, LARS, Boruta ve RFE-RF olmak üzere beş farklı özellik seçimi yöntemi kullanılmıştır. Değişken seçimi analizleri, enflasyon dinamiklerinin karmaşıklığını ve çok boyutlu yapısını ortaya koymuştur. Doğrusal yöntemler olan LASSO, Elastic Net ve LARS, çekirdek enflasyonun 3 aylık hareketli ortalamasını tutarlı bir şekilde en güçlü belirleyici olarak tespit ederek kısa vadeli momentum etkisinin önemini vurgulamıştır. RF tabanlı yöntemler (RFE-RF ve Boruta) ise doğrusal olmayan ilişkileri yakalama kapasiteleri sayesinde uzun vadeli enflasyon ısrarcılığını birinci sıraya yerleştirerek enflasyon dinamiklerinin farklı zaman boyutlarına odaklanmıştır. Döviz kuru değişkenlerinin tüm yöntemlerde önemli rol oynaması, Türkiye ekonomisinin ithalat bağımlılığı ve döviz kuru geçişkenliğinin güçlü etkisini yansıtmıştır. Cari işlemler dengesindeki değişimin düzenlileştirme değişken seçim yöntemlerinde negatif katsayıyla yer alması, makroekonomik dengelerin enflasyon üzerindeki baskı azaltıcı etkisini tutarlı şekilde ortaya koymuştur. Çalışmada algoritmik çeşitliliği artırmak için düzenlileştirme regresyonları (Ridge, LASSO, Elastic Net, LARS), ağaç tabanlı topluluk yöntemleri (RF, GBR, XGBoost) ve çekirdek tabanlı SVR olmak üzere sekiz farklı makine öğrenmesi modeli ile LSTM ve GRU'dan oluşan iki derin öğrenme modeli olmak üzere toplam 10 model kullanılmıştır. Tüm modellerde hiper-parametre optimizasyonu ızgara arama yöntemi ile gerçekleştirilmiştir. Düzenlileştirme regresyonları hariç her model, hem 91 değişkenlik tam özellik seti hem de beş farklı özellik seçim yöntemiyle oluşturulan indirgenmiş setler üzerinde eğitilerek toplam 40 model konfigürasyonu test edilmiştir. Ek olarak, karşılaştırma amacıyla Rasgele Yürüyüş (RW) ve ARIMA(0,1,2) modelleri de analize dahil edilmiştir. Performans değerlendirmesinde GBR algoritması, tüm değişkenlerle kullanıldığında R²=0.5632, RMSE=0.0127 ve MAE=0.0084 ile en yüksek açıklayıcılık oranına ve en düşük hata değerlerine ulaşmıştır. Bunu Elastic Net özellik seçimi ile yine GBR (R²=0.5593, RMSE=0.0127, MAE=0.0085) ve Boruta özellik seçimi ile LSTM (R²=0.5394, RMSE=0.0130, MAE=0.0092) takip etmektedir. Toplu performans değerlendirmesi, makine öğrenmesi algoritmalarının derin öğrenme algoritmalarına göre daha başarılı olduğunu göstermiş ve bu sonuçlar grafiksel analizlerle de görsel olarak desteklenmiştir. Temel kıyaslama modellerinden RW modeli R²=-0.0020, (RMSE=0.0192, MAE=0.0133) ile neredeyse sıfıra karşılık gelen bir performans göstermiş, bu sonuç Türkiye enflasyon serisinin rassal yürüyüş olmadığını ve sistematik, öngörülebilir hareketler içerdiğini ortaya koymuştur. Ayrıca ML ve DL modellerinin performans başarısının RW'yi önemli ölçüde aşması, bu modellerin tahmin literatürüne gerçek değer kattığını ortaya koymaktadır. Geleneksel tahmin yöntemlerinin performansını değerlendirmek amacıyla dahil edilen ARIMA modeli R²=-0.1108 (RMSE=0.0202, MAE=0.0153) ile negatif performans göstererek başarısız olmuştur. Bu başarısızlık, ARIMA'nın yalnızca hedef değişkenin kendi geçmiş değerlerini kullanması ve 91 dışsal değişkenin taşıdığı zengin makroekonomik bilgiden yararlanamaması nedeniyle dışsal değişken kullanımının kritik önemini vurgulamıştır. ML ve DL modellerinin üstünlüğünü daha kapsamlı biçimde ortaya koyabilmek için, geleneksel yöntemlerin ileri versiyonları da test edilmiştir. Rejim değişikliklerini yakalayabilen (MS-AR, MS-ARMA, MS-VAR), doğrusal olmayan dinamikleri modelleyebilen (TAR, SETAR, M-TAR, TVAR) ve yapısal kırılmaları dikkate alabilen (zamanla değişen parametreli AR, sabit kırılmalı rejim değişim, SB-VAR) bu gelişmiş modeller, teorik olarak standart ARIMA ve VAR modellerine göre önemli avantajlar sunmaktadır. Ancak Türkiye enflasyonunun tahmininde bu ileri düzey geleneksel modellerin performansının bile ARIMA'nın gerisinde kaldığı görülmüştür. Bu bulgular, geleneksel ekonometrik yaklaşımların en gelişmiş versiyonlarının bile yapay zekâ algoritmalarının sağladığı tahmin gücüne ulaşamadığını göstermektedir. Sonuç olarak, bu bulgular algoritma seçiminin önemini vurgulamakta ve model seçimi sürecinde hem teorik bilginin hem de ampirik performans değerlendirmesinin birlikte kullanımının belirleyici olduğunu ortaya koymaktadır.
Özet (Çeviri)
The primary objective of this study is to forecast inflation in Türkiye using artificial intelligence methods, specifically machine learning (ML) and deep learning (DL), and to compare their performance systematically. In the first section of the study, the concept of inflation is examined within a theoretical and conceptual framework. In this context, the types of inflation, the costs of inflation, and the factors affecting inflation are analyzed in detail. The effects of variables such as money supply, interest rates, exchange rates, output level, expectations, and inflation uncertainty on inflation are examined. Additionally, traditional methods commonly used in inflation forecasting (such as the Phillips Curve, VAR, ARDL, ARIMA, and DSGE models) are systematically evaluated. In the second section, the concepts of big data and artificial intelligence, which constitute the methodological infrastructure of the study, are explained in detail. After discussing the characteristics and importance of big data, the conceptual examination of artificial intelligence and machine learning methods is presented. Supervised and unsupervised machine learning approaches are explained, and the basic components, architecture, classification, and learning methods of artificial neural networks are examined. Furthermore, the conceptual framework of deep learning methods is also detailed in this section. In the empirical analysis section, which constitutes the final part of the study, a monthly dataset of 182 observations covering the period from June 2010 to July 2025 is utilized, with Türkiye's core inflation index (C index) selected as the target variable. Based on the existing economic literature and empirical findings, 13 fundamental macroeconomic variables affecting core inflation are identified. Subsequently, a systematic feature engineering process is applied to these variables; derivative features such as lagged values, moving averages, interaction terms, ratio and difference variables, and crisis dummy variables are generated, yielding a relatively rich variable pool of 91 features in total. To identify the most informative variables with high predictive power from this extensive feature set, five different feature selection methods are employed: LASSO, Elastic Net, LARS, Boruta, and RFE-RF. The variable selection analyses reveal the complexity and multidimensional nature of inflation dynamics. Linear methods (LASSO, Elastic Net, and LARS) consistently identify the 3-month moving average of core inflation as the strongest determinant, emphasizing the importance of short-term momentum effects. RF-based methods (RFE-RF and Boruta), through their capacity to capture nonlinear relationships, prioritize long-term inflation inertia and focus on different temporal dimensions of inflation dynamics. The significant role of exchange rate variables across all methods reflects the strong effects of import dependency and exchange rate pass-through in the Turkish economy. The negative coefficient for the change in the current account balance in regularization-based variable selection methods consistently indicates the pressure-reducing effect of macroeconomic balances on inflation. To enhance algorithmic diversity in the study, a total of 10 models are employed: eight different machine learning models, including regularization regressions (Ridge, LASSO, Elastic Net, LARS), tree-based ensemble methods (RF, GBR, XGBoost), and kernel-based SVR, as well as two deep learning models consisting of LSTM and GRU. Hyperparameter optimization is performed using grid search for all models. Except for regularization regressions, each model is trained on both the full feature set of 91 variables and the reduced sets generated by five different feature selection methods, testing a total of 40 model configurations. Additionally, the Random Walk (RW) and ARIMA(0,1,2) models are included in the analysis for comparison. In performance evaluation, the GBR algorithm achieves the highest explanatory power and lowest error when using all variables, with R²=0.5632, RMSE=0.0127, and MAE=0.0084. This is followed by GBR with Elastic Net feature selection (R²=0.5593, RMSE=0.0127, MAE=0.0085) and LSTM with Boruta feature selection (R²=0.5394, RMSE=0.0130, MAE=0.0092). The overall performance evaluation demonstrates that machine learning algorithms outperform deep learning algorithms, and these results are visually supported by graphical analyses. The baseline RW model exhibited a performance close to zero with R²=-0.0020 (RMSE=0.0192, MAE=0.0133), revealing that the Turkish inflation series does not follow a random walk and contains systematic, predictable movements. Moreover, the fact that ML and DL models' performance significantly exceeds that of RW demonstrates that these models add genuine value to the forecasting literature. The ARIMA model, included to evaluate the performance of traditional forecasting methods, failed with a negative performance of R²=-0.1108 (RMSE=0.0202, MAE=0.0153). This failure underscores the critical importance of exogenous variable usage, as ARIMA relies solely on the target variable's own past values and cannot leverage the rich macroeconomic information carried by the 91 exogenous variables. To more comprehensively demonstrate the superiority of ML and DL models, advanced versions of traditional methods were also tested. These sophisticated models—capable of capturing regime shifts (MS-AR, MS-ARMA, MS-VAR), modeling nonlinear dynamics (TAR, SETAR, M-TAR, TVAR), and accounting for structural breaks (time-varying parameter AR, constant break regime switching, SB-VAR)—theoretically offer significant advantages over standard ARIMA and VAR models. However, in forecasting Turkish inflation, even these advanced traditional models underperformed relative to ARIMA. These findings indicate that even the most sophisticated versions of conventional econometric approaches cannot match the forecasting power provided by artificial intelligence algorithms. In conclusion, these findings emphasize the importance of algorithm selection and reveal that the joint use of both theoretical knowledge and empirical performance evaluation is decisive in the model selection process.
Benzer Tezler
- Yapay zeka teknikleri ile yatırım değerlemesi analizi
Investment valuation analysis with artificial intelligence techniques
KADİR SAYIM
Doktora
Türkçe
2018
İşletmeGebze Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HÜSEYİN İNCE
PROF. DR. NİHAT KASAP
- Türkiye'de fiyatlar genel düzeyine ilişkin maliye teorisinin doğrusal olmayan zaman serisi modelleri bakımından incelenmesi
Analysis of fiscal theory of price level with nonlinear time series models in Turkey
ÖZGÜR ÖMER ERSİN
- Türkiye'de tasarruf açığının yapay sinir ağları modeli ile analizi
Analysis of savings gap with neural network model in Turkey
ZEHRA DÜNDAR OĞUZ
Yüksek Lisans
Türkçe
2019
EkonomiVan Yüzüncü Yıl Üniversitesiİktisat Ana Bilim Dalı
DOÇ. DR. ZAFER KANBEROĞLU