FORECASTING THE EURO EXCHANGE RATE USING DEEP LEARNING ALGORITHMS AND MACHINE LEARNING ALGORITHMS

Abstract

Zaman serisi tahminlerinin finans dünyasında büyük önem taşıdıǧı düşünüldüǧünde, bu çalışmanın temel amacı Euro fiyatlarının tahmin edilmesi ve bu tahminlerin finansai karar alma süreçlerine katkısının incelenmesidir. Euro, uluslararası ticaret ve yatırımın önemli bir bileşeni olduǧu için doǧru fiyat tahminleri, birçok finansai kurum ve yatırımcı için stratejik öneme sahiptir. Bu çalışmada, Euro fiyatlarını tahmin etmek için derin öǧrenme algoritmaları ve klasik makine öǧrenmesi yöntemlerinin performansları karşılaştırılmıştır: Destek Vektör Makineleri (SVM), Aşırı Gradyan Artırma (XGBoost), Uzun Kısa Vadeli Hafıza (LSTM) ve Geçitli Tekrarlayan Birim (GRU). Bu yöntemler, finansai tahminlerde yaygın olarak kullanılan ve başarılı sonuçlar veren farklı algoritmaları temsil etmektedir. Çalışmada kullanılan veri seti, %80 eǧitim ve %20 test olmak üzere ikiye bölünmüş ve her bir algoritmanın eǧitim süreci boyunca nasıl davrandıǧını ve hangi parametrelerin seçildiǧi de belirtilmiştir. Sonuçlar, bu algoritmaların performansları karşılaştırılarak sunulmuş ve GRU algoritmasının diǧerlerine göre daha iyi bir doǧruluk saǧladıǧı görülmüştür. Bu nedenle, gelecek 12 aylık Euro fiyatlarını tahmin etmek için GRU algoritması seçilmiş ve tahmin işlemi gerçekleştirilmiştir. Bu çalışmanın sonuçlarının, Euro fiyat tahmininde derin öǧrenme ve geleneksel yaklaşımların performanslarını kapsamlı bir şekilde karşılaştırarak finansai karar alıcılara önemli bir bakış açısı sunacaǧı düşünülmektedir. Ayrıca, gelecek çalışmalar için potansiyel araştırma yollarını ve bu alanda yeni yöntemlerin geliştirilmesine yönelik önerileri de içermektedir.

Alternate abstract:

Given that time series forecasts are of great importance in the financial world, the main objective of this study is to forecast Euro prices and examine the contribution of these forecasts to financial decision-making processes. Since the Euro is an important component of international trade and investment, accurate price forecasts are of strategic importance for many financial institutions and investors. In this study, we compare the performance of deep learning algorithms and classical machine learning methods for forecasting Euro prices: support vector machines (SVM), Extreme Gradient Boosting (XGBoost), long short-term memory (LSTM), and gated recurrent units (GRU). These methods represent different algorithms that are widely used in financial forecasting and give successful results. The dataset used in the study was divided into two parts: 80% training and 20% testing, and it is also indicated how each algorithm behaved during the training process and which parameters were chosen. The results are presented by comparing the performance of these algorithms, and it is found that the GRU algorithm provides better accuracy than the others. Therefore, the GRU algorithm was chosen to forecast Euro prices for the next 12 months, and the forecasting process was carried out. The results of this study arc expected to provide an important perspective to financial decision-makers by comprehensively comparing the performance of deep learning and traditional approaches in Euro price forecasting. It also includes potential research avenues for future work and suggestions for the development of new methods in this area.