Prior-informed multivariate LSTM (PIM-LSTM) for economic time series

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Edebiyat Fakültesi, İstatistik Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: PETEK AYDEMİR AYDIN

Danışman: Ceylan Yozgatlıgil

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Derin Öğrenme, yapay sinir ağları olarak adlandırılan insan beyninden etkilenen algoritmaları vurgulayan makine öğreniminin bir alt kümesidir. Fizik Bilgilendirmeli Sinir Ağları (PINNs), sinir ağlarının güçlü yönlerini belirli sistemleri belirleyen fiziksel ilkelerle birleştiren farklı bir derin öğrenme yöntemini temsil eder. Bu tezin temel amacı, genel model performansını iyileştirmek için nedensel ilişkileri ve çapraz korelasyonları entegre ederek çok değişkenli zaman serileri için PINNs modelini geliştirmektir. Bu amaçla, Ön Bilgiye Dayalı Çok Değişkenli Uzun Kısa Vadeli Bellek (PIM-LSTM) modeli geliştirilmiştir. İlk olarak, Yeni Keynesyen ve Temettü Artırılmış Goodwin-Keen (DAGKM) modellerine uygulanması gösterilmiştir. Ardından, PIM-LSTM modelinin tahmin performansı LSTM ve PINNs modelleriyle karşılaştırılmıştır. Bulgularımız, PIM-LSTM modelinin Türkiye ve Meksika'nın makroekonomik serileri için Yeni Keynesyen Model üzerinde güçlü tahmin performansı sergilediğini ve LSTM ve PINN modellerine kıyasla daha düşük MAE, RMSE ve MASE elde ettiğini göstermektedir. PIM-LSTM modeli DAGKM modelinde de iyi performans göstermektedir. Türkiye ve Meksika için Yeni Keynesyen modelin entegre edilmesi, ülkeye özgü para politikalarını ve ekonomik dinamikleri yakalayarak analizi geliştirmektedir. Benzer şekilde, DAGKM modelinin dahil edilmesi, konjonktürel büyüme ve gelir dağılımını yakalayarak analizi geliştirmektedir.