Research Information System
Düzce İktisat Dergisi, vol.6, no.2, pp.49-73, 2025 (Peer-Reviewed Journal)
The aim of this study is to develop an early warning system to predict financial crises in Türkiye through leading indicators. This is based on the critical role of forecasting financial crises in reducing economic and social costs. The study utilises the Exchange Market Pressure Index (EMPI), a metric constructed using international reserves, exchange rates, and interest rates, to identify eight distinct financial crisis periods during the period spanning from 2004 to 2024. The random forest algorithm's forecasting performance is evaluated using 18 key macroeconomic and financial indicators of the Turkish economy. The results demonstrate that the random forest algorithm demonstrates a high degree of success in crisis forecasting and supports a comprehensive decision-making process for policymakers by enabling the identification of the main economic determinants of financial crises. While emphasising the potential of machine learning methods in financial crisis forecasting, the study also highlights the interpretability of the model and provides policy recommendations for financial stability.
Bu çalışma, finansal krizlerin önceden tahmin edilebilirliğinin ekonomik ve sosyal maliyetleri azaltmadaki kritik rolünden hareketle, Türkiye'de finansal krizleri öncü göstergeler aracılığıyla tahmin etmeyi amaçlayan bir erken uyarı sistemi geliştirmeyi hedeflemektedir. 2004-2024 dönemi için, uluslararası rezervler, döviz kuru ve faiz oranları kullanılarak oluşturulan Finansal Baskı Endeksi (FBE) ile 8 farklı finansal kriz dönemi tespit edilmiş ve Türkiye ekonomisine ait 18 temel makroekonomik ve finansal gösterge kullanılarak rassal orman algoritmasının tahmin performansı değerlendirilmiştir. Elde edilen sonuçlar, rassal orman algoritmasının kriz tahmininde yüksek bir başarı sergilediğini ortaya koymakta, finansal krizlerin temel ekonomik belirleyicilerinin belirlenmesine olanak sağlayarak politika yapıcılar için kapsamlı bir karar alma sürecini desteklemektedir. Bu çalışma, finansal kriz tahmininde makine öğrenmesi yöntemlerinin potansiyelini vurgularken modelin yorumlanabilirliğinin de altını çizerek finansal istikrarın sağlanmasına yönelik politika önerileri sunmaktadır.