TÜRKİYE ENFLASYON TAHMİNİ İÇİN MAKİNE ÖĞRENMESİ MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ

Abstract

Enflasyonun doğru biçimde tahmin edilmesi, özellikle gelişmekte olan ekonomiler açısından hem akademik hem de politika yapıcılar için merkezi bir öneme sahiptir. Yüksek oynaklık, sık yaşanan yapısal kırılmalar ve dışsal şoklara açıklık gibi özellikler, enflasyon dinamiklerini doğrusal ve durağan varsayımlar çerçevesinde ele alan geleneksel yaklaşımların sınırlarını belirgin hale getirmektedir. Türkiye ekonomisi de döviz kuru hareketleri, mali disiplin sorunları, parasal genişleme eğilimleri ve beklenti kanallarının eş zamanlı etkisi altında şekillenen enflasyon süreciyle bu tartışmalar için güçlü bir örnek sunmaktadır. Literatürde enflasyon tahminine yönelik çalışmalar uzun süre klasik ekonometrik modellere dayanmış; bu modeller teorik tutarlılık açısından önemli katkılar sağlamıştır. Ancak son yıllarda enflasyonun karmaşık ve doğrusal olmayan yapısının daha görünür hale gelmesiyle birlikte, makine öğrenmesi tabanlı yöntemlere olan ilgi artmıştır. Buna rağmen mevcut çalışmaların önemli bir kısmı ya tek bir algoritmaya odaklanmakta ya da tahmin başarısını ön plana çıkarırken değişkenlerin ekonomik anlamlandırılmasını ikincil plana itmektedir. Bu durum, yüksek performanslı modeller ile politika yapım sürecinde kullanılabilir analizler arasındaki mesafeyi artırmaktadır. Bu çalışmanın temel amacı, Türkiye' de kısa vadeli enflasyon tahmini için kullanılan farklı makine öğrenmesi modellerini ortak bir metodolojik çerçeve içerisinde karşılaştırmak ve bu modellerin ürettiği sonuçları ekonomik açıdan yorumlanabilir hale getirmektir. Çalışma, literatürde sınırlı biçimde ele alınan bu bütüncül yaklaşım ihtiyacına yanıt vermeyi hedeflemektedir. Böylece yalnızca hangi modelin daha başarılı olduğu değil, aynı zamanda bu başarının hangi makroekonomik değişkenler üzerinden şekillendiği de ortaya konulmaktadır. Metodolojik olarak, farklı öğrenme paradigmalarını temsil eden çok sayıda model kullanılmıştır. Bağımlı değişken olarak tüketici enflasyonu ele alınırken; Tüketici Fiyat Endeksi (TÜFE), iç borç stok, dış borç stok, altın ve döviz rezervleri, Brent petrol fiyatları, ABD Doları - Türk Lirası döviz kuru, para arzı (M2), mevduat faiz oranları, tüketici kredi faiz oranları ve küresel belirsizlik göstergeleri gibi temel makroekonomik değişkenler açıklayıcı değişkenler olarak modele dahil edilmiştir. Değişken seçimi, iktisat literatüründe yer alan teorik yaklaşımlar ve Türkiye ekonomisine ilişkin ampirik bulgular dikkate alınarak gerçekleştirilmiştir. Modellerin performansı, farklı hata ve uyum ölçütleri üzerinden çok boyutlu olarak değerlendirilmiştir. Bu çalışmanın ayırt edici yönlerinden biri, geliştirilen tahmin modellerinin yalnızca öngörü performansları üzerinden değerlendirilmemesi, aynı zamanda model çıktılarının SHAP tabanlı açıklanabilirlik çerçevesi ile iktisadi açıdan anlamlandırılmasıdır. SHAP yöntemi sayesinde, özellikle ağaç tabanlı makine öğrenmesi modellerinde sıklıkla eleştirilen kara kutu yapısı önemli ölçüde zayıflatılmış, tahminlere hangi değişkenlerin ne yönde ve ne ölçüde katkı sağladığı açık biçimde ortaya konulmuştur. Elde edilen SHAP bulguları, enflasyon dinamiklerinde belirleyici olan değişkenlerin model tahminleriyle tutarlı bir şekilde öne çıktığını ve modelin ekonomik sezgiyle uyumlu bir karar mekanizması geliştirdiğini göstermektedir. Bu sayede, enflasyon tahmininde hangi değişkenlerin hangi koşullarda daha etkili olduğu açık biçimde gözlemlenebilmekte ve model çıktıları ekonomik sezgiyle ilişkilendirilebilmektedir. Elde edilen bulgular genel olarak, makine öğrenmesi yaklaşımlarının Türkiye gibi yüksek oynaklığa sahip ekonomilerde enflasyon tahminine anlamlı katkılar sunabileceğini göstermektedir. Çalışma, veri odaklı yöntemlerin doğru biçimde uygulandığında hem tahmin başarısını artırabileceğini hem de iktisadi yorumlama açısından güçlü bir analitik çerçeve sağlayabileceğini ortaya koymaktadır. Bu yönüyle çalışma, enflasyon tahmin literatürüne dengeli ve uygulanabilir bir katkı sunmaktadır.

Accurately forecasting inflation is a core priority for both researchers and policymakers, particularly in emerging economies. High volatility, recurrent structural breaks, and strong exposure to external shocks make the limits of traditional approaches—built on linearity and stationarity assumptions—more apparent when explaining inflation dynamics. Türkiye provides a compelling setting for this debate: its inflation process is shaped simultaneously by exchange-rate movements, fiscal discipline challenges, tendencies toward monetary expansion, and expectation-driven transmission channels. For many years, the inflation-forecasting literature relied primarily on classical econometric models, which offered valuable contributions in terms of theoretical coherence. In recent years, however, as the complex and non-linear nature of inflation has become more visible, interest has shifted toward machine-learning methods. Even so, a substantial share of existing work either concentrates on a single algorithm or prioritizes predictive accuracy while treating the economic interpretation of drivers as secondary. This widens the gap between high-performing predictive models and analyses that can be credibly used in policy design. The main objective of this study is to compare multiple machine-learning models used for short-term inflation forecasting in Türkiye within a unified methodological framework and to render their outputs economically interpretable. The study aims to address the need for a holistic approach that remains relatively underdeveloped in the literature. Accordingly, it does not only identify which model performs best, but also clarifies through which macroeconomic variables that performance is generated. Methodologically, the analysis employs a broad set of models representing different learning paradigms. Consumer inflation is taken as the dependent variable, while the explanatory set includes key macro-financial indicators such as the Consumer Price Index (CPI), domestic debt stock, external debt stock, gold and foreign-exchange reserves, Brent crude oil prices, the USD/TRY exchange rate, money supply (M2), deposit interest rates, consumer loan interest rates, and global uncertainty measures. Variable selection is grounded in established theoretical perspectives in economics and in empirical evidence specific to the Turkish economy. Model performance is evaluated in a multidimensional manner using several fit and error metrics. A distinguishing feature of the study is that it does not assess forecasting models solely on predictive performance; it also interprets model outputs using an explainability framework based on SHAP (Shapley Additive Explanations). By doing so, the analysis substantially mitigates the "black-box" critique frequently directed at tree-based machine-learning models and explicitly quantifies which variables contribute to predictions, in what direction, and to what extent. The SHAP results indicate that determinants commonly viewed as central to inflation dynamics emerge prominently and consistently in the model's forecasts, and that the model's decision logic aligns with standard economic intuition. This makes it possible to observe clearly which variables become more influential under particular conditions and to connect model behavior to economically meaningful mechanisms. Overall, the findings suggest that machine-learning approaches can provide meaningful improvements in inflation forecasting for highly volatile economies such as Türkiye. When implemented appropriately, data-driven methods can both enhance forecast accuracy and offer a robust analytical structure for economic interpretation. In this sense, the study contributes to the inflation-forecasting literature by offering a balanced and policy-relevant perspective.