Ekonomik metin verileri ve piyasa göstergeleriyle kriz dönemlerinin erken tahmini: zaman serisi yöntemleri, özelleştirilmiş transformer modelleri ve derin öğrenme yaklaşımlarının karşılaştırmalı uygulaması
Küçük Resim Yok
Tarih
2026
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu doktora tezi, ekonomik kriz dönemlerinin erken tespiti için doğal dil işleme (DDİ), zaman serisi analizi, makine öğrenmesi ve derin öğrenme yaklaşımlarının karşılaştırmalı analizini sunmaktadır. Çalışma, Türkiye'de 2018 yılında yaşanan ekonomik dalgalanmaları iki aşamalı bir yaklaşımla incelemektedir. İlk aşamada, GNews API aracılığıyla toplanan 782 ekonomi haberi üzerinde BERT, ALBERT, RoBERTa gibi transformer tabanlı modeller ile Word2Vec, GloVe, FastText gibi klasik kelime gömme teknikleri uygulanarak kriz skorları hesaplanmıştır. İkinci aşamada, BIST50 endeksi üzerinde klasik zaman serisi modelleri (AR, ARIMA, SARIMA), makine öğrenmesi (Linear Regression, Random Forest), derin öğrenme (LSTM, RNN, CNN) ve transformer tabanlı zaman serisi modelleri (Autoformer, TimesNet, Informer, FEDformer) karşılaştırılmıştır. Sonuçlar, Word2Vec modelinin enflasyonla 3 aylık gecikmeyle güçlü korelasyon (r=0.87) gösterdiğini ve Autoformer modelinin sınırlı veri senaryosunda en iyi tahmin performansını (8.54 RMSE, 0.53 R²) sergilediğini ortaya koymuştur.
This doctoral thesis presents a comparative analysis of natural language processing (NLP), time series analysis, machine learning, and deep learning approaches for the early detection of economic crisis periods. The study examines the economic fluctuations experienced in Turkey in 2018 using a two-stage approach. In the first stage, crisis scores were calculated by applying transformer-based models such as BERT, ALBERT, and RoBERTa, along with classical word embedding techniques such as Word2Vec, GloVe, and FastText, to 782 economic news articles collected via the GNews API. In the second stage, classical time series models (AR, ARIMA, SARIMA), machine learning (Linear Regression, Random Forest), deep learning (LSTM, RNN, CNN), and transformer-based time series models (Autoformer, TimesNet, Informer, FEDformer) were compared on the BIST50 index. The results revealed that the Word2Vec model demonstrated a strong correlation with inflation at a 3-month lag (r=0.87), and the Autoformer model exhibited the best prediction performance in limited data scenarios (8.54 RMSE, 0.53 R²).
This doctoral thesis presents a comparative analysis of natural language processing (NLP), time series analysis, machine learning, and deep learning approaches for the early detection of economic crisis periods. The study examines the economic fluctuations experienced in Turkey in 2018 using a two-stage approach. In the first stage, crisis scores were calculated by applying transformer-based models such as BERT, ALBERT, and RoBERTa, along with classical word embedding techniques such as Word2Vec, GloVe, and FastText, to 782 economic news articles collected via the GNews API. In the second stage, classical time series models (AR, ARIMA, SARIMA), machine learning (Linear Regression, Random Forest), deep learning (LSTM, RNN, CNN), and transformer-based time series models (Autoformer, TimesNet, Informer, FEDformer) were compared on the BIST50 index. The results revealed that the Word2Vec model demonstrated a strong correlation with inflation at a 3-month lag (r=0.87), and the Autoformer model exhibited the best prediction performance in limited data scenarios (8.54 RMSE, 0.53 R²).
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kotan, B. (2026). Ekonomik Metin Verileri Ve Piyasa Göstergeleriyle Kriz Dönemlerinin Erken Tahmini: Zaman Serisi Yöntemleri, Özelleştirilmiş Transformer Modelleri Ve Derin Öğrenme Yaklaşımlarının Karşılaştırmalı Uygulaması (Tez No. 993840) [Doktora Tezi, Düzce Üniversitesi].
