Genel bilgiler
|
Dersin kodu |
: SEC 401.05 |
|
Dersin adı |
: ZAMAN SERİLERİ ANALİZİ |
|
Dersin web sayfası |
: www.math-stat.net/sec40105.htm |
|
Dersin öğretim elemanı |
: Doç. Dr. Yakup Arı |
|
İletişim |
: yakup.ari@alanya.edu.tr |
ÖĞRETİM PLANI VE DERS İÇERİĞİ
Ders izlencesi
1. Dersin tanımı ve amacı
Bu ders, ekonomik ve finansal zaman serilerinin özelliklerini incelemeyi, uygun ekonometrik yöntemlerle model kurmayı ve tahmin sonuçlarını iktisadi açıdan yorumlamayı amaçlar. R yazılımı dersin temel uygulama ortamıdır. Öğrenciler, veri temininden grafiksel incelemeye, durağanlık testlerinden ARIMA, VAR, eşbütünleşme ve koşullu değişen varyans modellerine uzanan tekrarlanabilir bir analiz sürecini uygulamalı olarak öğrenir.
Temel başvuru kaynağı Ruey S. Tsay’ın An Introduction to Analysis of Financial Data with R kitabıdır. Dersin kapsamı finansla sınırlı tutulmayacak; enflasyon, döviz kuru, faiz oranı, işsizlik, sanayi üretimi gibi makroekonomik seriler de kullanılacaktır. R paketlerinin seçimi için 30 Eylül 2026 tarihli CRAN Task View: Time Series Analysis belgesi esas alınacaktır.
2. Öğrenme çıktıları
-
Zaman serisi verilerinin temel özelliklerini ve iktisattaki kullanım alanlarını açıklayabilmek.
-
R ve RStudio ile zaman serisi verilerini içe aktarabilmek, temizleyebilmek ve görselleştirebilmek.
-
Trend, mevsimsellik, durağanlık, beyaz gürültü ve otokorelasyon kavramlarını yorumlayabilmek.
-
ACF/PACF grafiklerini ve birim kök testlerini uygun biçimde kullanabilmek.
-
AR, MA, ARMA ve ARIMA modellerini tahmin edebilmek ve model tanısı yapabilmek.
-
Örneklem dışı tahmin üretebilmek ve tahmin performansını karşılaştırabilmek.
-
VAR, Granger nedensellik, etki-tepki fonksiyonları ve varyans ayrıştırmasını temel düzeyde uygulayabilmek.
-
Eşbütünleşme, ECM ve VECM yaklaşımlarının iktisadi anlamını açıklayabilmek.
-
ARCH/GARCH modelleriyle finansal oynaklığı temel düzeyde analiz edebilmek.
-
R kodları, tablolar ve grafiklerle tekrarlanabilir bir iktisadi analiz raporu hazırlayabilmek.
3. Haftalık ders planı
|
Hafta |
Ana konu |
İçerik |
R araçları |
|---|---|---|---|
|
1 |
Zaman serilerine giriş ve R ortamı |
Veri türleri, frekans, RStudio, temel R komutları |
stats, readxl, dplyr |
|
2 |
Verilerin hazırlanması ve görselleştirilmesi |
ts/zoo/xts yapıları; trend, mevsimsellik; dönüşümler |
zoo, xts, ggplot2, quantmod |
|
3 |
İstatistiksel özellikler ve otokorelasyon |
Stokastik süreç, beyaz gürültü, rassal yürüyüş, ACF/PACF |
stats, forecast |
|
4 |
Durağanlık ve birim kök testleri |
Trend/fark durağanlığı; ADF, PP, KPSS; deterministik terimler |
urca, tseries |
|
5 |
AR, MA ve ARMA modelleri |
Model özellikleri, tanımlama, tahmin ve temel koşullar |
stats, forecast |
|
6 |
ARIMA ve mevsimsel modeller |
ARIMA/SARIMA, AIC/BIC, artık tanısı |
forecast, tseries |
|
7 |
Öngörü ve tahmin başarısı |
Eğitim/test ayrımı, tahmin aralığı, RMSE/MAE, rolling forecast |
forecast; fable (isteğe bağlı) |
|
8 |
Ara sınav |
Temel kavramlar, model yorumları ve R uygulamaları |
— |
|
9 |
Çok değişkenli modeller: VAR |
Gecikme seçimi, kararlılık, Granger nedensellik |
vars, lmtest |
|
10 |
VAR ile dinamik analiz |
Etki-tepki fonksiyonları (IRF) ve FEVD |
vars |
|
11 |
Eşbütünleşme ve hata düzeltme |
Sahte regresyon, Engle–Granger, Johansen, ECM/VECM |
urca, vars, tsDyn |
|
12 |
Finansal seriler ve ARCH |
Getiriler, volatilite kümelenmesi, ARCH etkisi ve ARCH |
FinTS, quantmod, rugarch |
|
13 |
GARCH ve volatilite tahmini |
GARCH(1,1), asimetriye giriş, tanı ve öngörü |
rugarch |
|
14 |
Bütünleşik uygulama / proje |
Veriden rapora: model seçimi, tanı, tahmin ve iktisadi yorum |
Dönem paketleri |
4. R paketleri ve uygulama altyapısı
|
Amaç |
Önerilen paketler |
|---|---|
|
Veri alma ve düzenleme |
readxl, dplyr, tidyr |
|
Zaman serisi nesneleri |
stats (ts), zoo, xts, tsibble |
|
Grafikler ve finansal veri |
ggplot2, quantmod |
|
ACF/PACF ve öngörü |
stats, forecast |
|
Birim kök testleri |
urca, tseries |
|
VAR ve nedensellik |
vars, lmtest |
|
Eşbütünleşme ve VECM |
urca, vars, tsDyn |
|
ARCH/GARCH |
FinTS, rugarch |
Öğrencilerin bütün paketleri ezberlemesi beklenmez. Çekirdek paketler tekrarlanarak öğretilir; diğerleri ilgili uygulamada tanıtılır. Paket erişimi ve sürümleri dönem başında kontrol edilir.
5. Öğretim yöntemi ve uygulama yaklaşımı
Her konu iktisadi bir problemle başlatılır; modelin mantığı ve gerekli matematiksel gösterim açıklanır, ardından R üzerinde simülasyon ve gerçek veri uygulaması yapılır. Son aşamada varsayımlar, tanı testleri ve iktisadi yorum tartışılır. Uzun matematiksel ispatlar yerine model seçimi, güvenilir uygulama ve yorumlama yetkinliği öne çıkarılır.
Standart analiz akışı: Verinin elde edilmesi → temizleme/dönüştürme → grafiksel inceleme → ön testler → model belirleme ve tahmin → tanı testleri → örneklem dışı tahmin → iktisadi yorum ve raporlama.
6. Veri kaynakları
- TCMB EVDS: faiz, döviz kuru ve parasal göstergeler.
- TÜİK: TÜFE, işgücü ve sanayi üretimi gibi makroekonomik seriler.
- FRED: uluslararası makroekonomik ve finansal zaman serileri.
- Yahoo Finance / erişilebilir finansal veri kaynakları: endeksler, fiyatlar ve getiriler
- Veri indirme ve API erişim koşulları değişebilir. Uygulamalarda eşdeğer CSV/Excel veri dosyaları da hazır bulundurulur.
7. Ölçme ve değerlendirme (öneri)
|
Bileşen |
Ağırlık |
|---|---|
|
Ara sınav (vize) |
%30 |
|
R uygulama ödevleri |
%20 |
|
Final sınavı |
%50 |
|
Toplam |
%100 |
Uygulama çalışmalarında çalışan kodun yanında uygun yöntem seçimi, tanı testleri, tablo/grafik kalitesi ve ekonomik yorum da değerlendirilir. Nihai ağırlıklar üniversitenin ilgili mevzuatı ve resmî ders bilgi paketiyle uyumlu hâle getirilir. Ölçme değerlendirme yöntemleri dönem içerisinde değişitirilebilir.
8. Örnek uygulama / dönem projesi konuları
- Türkiye’de enflasyonun ARIMA/SARIMA ile modellenmesi ve tahmini.
- USD/TRY getirilerinde ARMA modeli ve kısa dönem öngörü.
- Enflasyon ve faiz oranlarının VAR ile dinamik analizi.
- BIST 100 getirilerinde ARCH/GARCH volatilite modeli.
- Sanayi üretimi serisinde mevsimsellik ve tahmin.
- Faiz oranları arasında eşbütünleşme ve hata düzeltme analizi.
Not: Her çalışma veri seti, açıklamalı R kodu, grafikler, model sonuçları, tanı bulguları ve kısa bir iktisadi değerlendirme içermelidir.
9. Kaynaklar
-
Tsay, R. S. (2012). An introduction to analysis of financial data with R. John Wiley & Sons. [Temel kaynak]
-
Paolella, M. S. (2019). Linear models and time-series analysis: Regression, ANOVA, ARMA and GARCH. Wiley.
-
Heiss, F. (2020). Using R for introductory econometrics (2nd ed.).
-
Vinod, H. D., & Rao, C. R. (Eds.). (2020). Financial, macro and micro econometrics using R (Handbook of Statistics, Vol. 42). North-Holland.
-
Hyndman, R. J., & Killick, R. (2026). CRAN Task View: Time Series Analysis (Version 2026-09-30). https://CRAN.R-project.org/view=TimeSeries
-
Joseph, M., & Tackes, J. (2024). Modern time series forecasting with Python (2nd ed.). Packt. [Seçili yardımcı okumalar]
-
Atwan, T. A. (2026). Time series analysis with Python cookbook (2nd ed.). Packt. [Seçili yardımcı okumalar]
-
Cerqueira, V., & Roque, L. (2024). Deep learning for time series cookbook. Packt. [İleri okuma]
-
İstanbul Üniversitesi İSUZEM Zaman Serisi Ders Notları
-
Ankara Üniversitesi Açık Ders Malzemeleri Zaman Serisi Analizi
-
Ekonometrik Zaman Serileri Analizi, 2017, Yazar: Mehmet Çınar , Mustafa Sevüktekin, Dora Yayıncılık
-
Zaman Serileri Analizi, 2010, Yazar: Yılmaz Akdi, Yayınevi : Gazi Kitabevi
10. Dersin kapsamına ilişkin not
Dersin çekirdeğini klasik ve uygulamalı zaman serisi ekonometrisi oluşturur. Makine öğrenmesi, derin öğrenme, TVP-VAR, bağlantılılık ve ileri volatilite yöntemleri zorunlu içerik değildir; öğrencilerin temel modellerde yeterlilik kazanmaları önceliklidir. Gerektiğinde ileri yöntemler tanıtıcı bir değerlendirmeyle sunulabilir.
R Paketleri ve Kurulum Rehberi
R Packages & Installation Guide
Amaç: Ders boyunca kullanılacak R paketlerini tek bir yerde toplamak, güvenilir indirme/dokümantasyon bağlantıları sunmak ve ilk kurulumu kolaylaştırmak.
R PACKAGES & INSTALLATION GUIDE
R paketleri ve kurulum rehberi
1. R ve RStudio kurulumu
R Project — https://www.r-project.org/
İlk önce R yazılımını yükleyin.
CRAN indirme merkezi — https://cran.r-project.org/
Windows, macOS veya Linux için güncel R sürümünü seçin.
RStudio Desktop — https://posit.co/download/rstudio-desktop/
R kurulumundan sonra ücretsiz RStudio Desktop sürümünü yükleyin.
Posit Cheatsheets — https://posit.co/resources/cheatsheets/
RStudio, dplyr ve ggplot2 için hızlı başvuru kartları.
2. Ders paketlerinin bağlantıları
Paket adlarının bağlantıları CRAN üzerindeki resmî paket sayfalarına gider. “stats” R ile birlikte gelir; ayrı kurulum gerekmez.
Veri yönetimi ve grafik
Zaman serisi altyapısı
Tek değişkenli modeller ve testler
Çok değişkenli modeller
Finansal oynaklık
|
Paket / bağlantı |
Derste kullanım amacı |
|---|---|
|
ARCH LM testi |
|
|
ARCH/GARCH modelleme |
|
|
Getiri, performans ve risk analizi |
İsteğe bağlı modern tahmin
Temel R stats dokümantasyonu: stats paket indeksini aç
3. Tek seferde kurulum kodu
Aşağıdaki kodu RStudio Console penceresinde çalıştırın. Yalnızca bilgisayarınızda kurulu olmayan paketler yüklenir.
packages <- c(
"readxl", "dplyr", "tidyr", "ggplot2", "lubridate",
"zoo", "xts", "quantmod", "forecast", "tseries",
"urca", "vars", "lmtest", "tsDyn", "FinTS",
"rugarch", "PerformanceAnalytics"
)
missing <- setdiff(packages, rownames(installed.packages()))
if (length(missing) > 0) {
install.packages(missing, dependencies = c("Depends", "Imports", "LinkingTo"))
}
sapply(packages, requireNamespace, quietly = TRUE)4. İlk kontrol ve sorun giderme
· library(forecast) ve library(ggplot2) komutlarını çalıştırarak kurulumun tamamlandığını kontrol edin.
· Kurulum sırasında bağlantı sorunu yaşanırsa farklı bir CRAN aynası seçin ve yeniden deneyin.
· rugarch gibi paketlerde R sürümü ve sistem derleyicisi kaynaklı kurulum sorunları görülebilir; sınıfta kullanılacak R sürümünü önceden test edin.
· Veri indirme işlemlerinde (ör. Yahoo Finance) erişim koşulları değişebilir; uygulama için yedek CSV veri dosyası bulundurun.
· Kodların ve sonuçların tekrarlanabilir olması için proje klasörü oluşturun ve oturum bilgilerini sessionInfo() ile kaydedin.
5. Paketlerin ana referansı
CRAN Task View: Time Series Analysis — https://cran.r-project.org/web/views/TimeSeries.html
Yüklenen 30 Eylül 2026 tarihli CRAN Task View belgesiyle ilişkili resmî liste. Paketlerin güncel durumunu bu sayfadan kontrol edin.
Önemli Not
Dönem içerisinde ders kaynakları ve içeriğinde değişiklikler yapılabilir.
USEFUL LINKS & LEARNING RESOURCES
Yararlı bağlantılar ve öğrenme kaynakları
Yararlı Bağlantılar ve Öğrenme Kaynakları
Useful Links & Learning Resources
Amaç: Zaman serileri ekonometrisi ve R uygulamaları için güvenilir ders kitaplarını, veri portallarını, yöntem açıklamalarını ve konu bazlı yardımcı sayfaları bir araya getirmek.
1. Öncelikli beş bağlantı
RStudio Desktop — https://posit.co/download/rstudio-desktop/
Ücretsiz R geliştirme ortamı
Forecasting: Principles and Practice (3rd ed.) — https://otexts.com/fpp3/
Lisans düzeyinde modern tahmin kitabı ve R uygulamaları
Ruey S. Tsay – veri ve kod sayfası — https://faculty.chicagobooth.edu/ruey-s-tsay/research/an-introduction-to-analysis-of-financial-data-with-r
Ana ders kitabımızın bölümlere göre veri setleri ve R betikleri
CRAN Time Series Task View — https://cran.r-project.org/web/views/TimeSeries.html
R zaman serisi paketleri rehberi
TCMB EVDS — https://evds3.tcmb.gov.tr/
Türkiye ekonomisi için birincil ekonomik veri portalı
2. Ücretsiz kitaplar ve çalışma rehberleri
|
Kaynak |
Kapsam |
Bağlantı |
|---|---|---|
|
Forecasting: Principles and Practice (3rd ed.) |
R ile modern öngörü ve fable |
|
|
Forecasting: Principles and Practice (2nd ed.) |
forecast paketiyle uyumlu klasik uygulamalar |
|
|
R for Data Science (2nd ed.) |
Veri işleme, ggplot2 ve modern R çalışma biçimi |
|
|
Using R for Introductory Econometrics |
Florian Heiss: R kodları ve ekonometrik örnekler |
|
|
Posit Cheatsheets |
R araçları ve paketleri için özet rehberler |
|
|
R Graph Gallery |
Grafik ve görselleştirme örnekleri |
3. Ruey S. Tsay – resmî kitap kaynakları
An Introduction to Analysis of Financial Data with R — https://faculty.chicagobooth.edu/ruey-s-tsay/research/an-introduction-to-analysis-of-financial-data-with-r
Kitapta kullanılan veri setleri, R kodları ve bölümlere göre hazırlanmış çalışma dosyaları bulunur.
Multivariate Time Series Analysis with R and Financial Applications — https://faculty.chicagobooth.edu/ruey-s-tsay/research/multivariate-time-series-analysis-with-r-and-financial-applications
Çok değişkenli yöntemlerle ilgili yardımcı veri ve R uygulamaları.
4. Ekonomik ve finansal veri kaynakları
|
Portal |
Başlıca veri |
Bağlantı |
|---|---|---|
|
TCMB EVDS |
Türkiye: faiz, kur, para ve fiyat göstergeleri |
|
|
TÜİK Veri Portalı |
Türkiye: TÜFE, işsizlik, üretim ve GSYH |
|
|
FRED |
ABD ve uluslararası makroekonomik veriler |
|
|
Yahoo Finance |
Hisse senedi ve borsa piyasası verileri |
|
|
World Bank Open Data |
Ülkeler arası kalkınma göstergeleri |
|
|
IMF Data |
Uluslararası makrofinansal veri |
|
|
OECD Data Explorer |
OECD zaman serileri |
|
|
Eurostat |
Avrupa Birliği istatistikleri |
|
|
ECB Data Portal |
Avrupa Merkez Bankası zaman serileri |
5. R ve ekonometrik paket rehberleri
R Project — https://www.r-project.org/
R yazılımının ana portalı
R Documentation — https://www.rdocumentation.org/
Fonksiyonların açıklama ve örnekleri
CRAN Econometrics — https://cran.r-project.org/web/views/Econometrics.html
Ekonometrik yöntemlere göre paketler
CRAN Finance — https://cran.r-project.org/web/views/Finance.html
Finansal ekonometrik uygulamalar için paketler
forecast paketi — https://pkg.robjhyndman.com/forecast/
Klasik ARIMA/ETS uygulama açıklamaları
vars paketi — https://cran.r-project.org/package=vars
VAR, nedensellik, IRF, FEVD
6. Haftalara göre okumalar ve bağlantılar
|
Hafta |
Konu |
Kaynak |
|---|---|---|
|
1 |
R ve RStudio |
|
|
2 |
Zaman serilerinin grafikleri |
|
|
3 |
ACF ve PACF; temel özellikler |
|
|
4 |
Durağanlık ve birim kök testleri |
|
|
5 |
AR, MA, ARMA |
|
|
6 |
ARIMA ve SARIMA |
|
|
7 |
Tahmin doğruluğu ve hata ölçüleri |
|
|
9 |
VAR ve Granger nedensellik |
|
|
10 |
IRF ve FEVD |
|
|
11 |
Eşbütünleşme ve VECM |
|
|
12 |
ARCH etkisi |
|
|
13 |
GARCH modelleri |
|
|
14 |
Genel uygulama, veri ve kodlar |
7. İsteğe bağlı araçlar
Python — https://www.python.org/
Karşılaştırmalı zaman serisi kodları için
Positron — https://positron.posit.co/
R ve Python çalışma ortamına alternatif
ChatGPT — https://chatgpt.com/
Kod açıklama, hata ayıklama ve öğrenme desteği; üretilen sonuçlar doğrulanmalıdır.
8. Kaynak kullanımı için kısa not
Çalışmalarda kaynak adresi, veri frekansı, örneklem dönemi ve indirme tarihi belirtilmelidir. R paketlerinin işlevleri ve sürümleri zamanla değişebileceğinden ders başında öğretim elemanının sağladığı kodlar esas alınmalıdır. Yapay zekâdan alınan kodlar bağımsız olarak çalıştırılıp kontrol edilmelidir.

