Araştırma Makalesi
BibTex RIS Kaynak Göster

AKTİF BÜYÜKLÜKLERİNE GÖRE DEĞERLENDİRİLEN BÜYÜK ÖLÇEKLİ BANKALARIN YAPAY SİNİR AĞLARI İLE KARLILIK TAHMİNİ

Yıl 2019, Cilt: 33 Sayı: 2, 451 - 466, 29.03.2019

Öz

Günümüzde finansal sektörler başında
gelen bankalar gün geçtikçe kendisini yenileyerek ve yeniliklere açık bir
şekilde adapte olarak faaliyet göstermektedir. Bankacılık sektörü ülkemiz
ekonomisi için de önemli bir pozisyonda yer almaktadır. Bankaların temel
amaçlarından biri göstermiş oldukları faaliyet çalışmalarında, sürdürülebilir
kârlılığı ve verimliliği koruyarak büyümektir. Bu çalışmada aktif
büyüklüklerine göre bankalar dikkate alınmıştır. Bununla birlikte büyük ölçekli
banka grubunda yer alan bankaların yapay sinir ağları yöntemi ile karlılık
tahmininin yapılması amaçlanmıştır. Banka karlılık tahmininde yapay sinir ağı
modelinin eğitimi Matlab (Sürüm 7.12) programı ile çözülmüştür. Uygulamada,
2003 Mart-2017 Haziran arası 3 aylık dönem verileri dikkate alınmıştır. Bununla
birlikte ortalama özkaynak karlılığı bağımlı değişken olarak kullanılıp, diğer
veriler ise bağımsız değişken olarak ele alınarak test verileri ve gerçek
veriler arasında ortalama mutlak yüzde hata (MAPE) oranı hesaplanmıştır. Yapay
sinir ağı modelinin test verilerine ait tahmini değerleri ve gerçekleşen
değerler birbirine yakın olduğu gözlenmiştir. 
Bunun üzerine ağlarla ileriye dönük tahminler yapılmıştır. Sonuç olarak;
Yapay sinir ağlarının ileriye dönük tahminleme çalışmalarında kullanılabilecek
bir yöntem olduğu görülmüştür. Aynı zamanda, kullanılan değişkenlerin ve elde
edilen bulguların banka karlılıklarının ileriye dönük tahmini yapılabileceğini
göstermiştir.

Kaynakça

  • Akcan, A. ve Kartal, C. (2011), “İmkb Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini”, Muhasebe ve Finansman Dergisi, Temmuz, ss.27-40. Akkaya G., C., Demireli, E., Yakut, Ü., H. (2009), “İşletmelerde Finansal Başarısızlık Tahminlemesi: Yapay Sinir Ağları Modeli İle İmkb Üzerine Bir Uygulama”, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi,10(2), ss. 187-216.
  • Alp A., Ban, Ü., Demirgüneş, K. ve Kılıç, S. (2010), “Türk Bankacılık Sektöründe Karlılığın İçsel Belirleyicileri”, İMKB Dergisi, 12(46), ss.1-13.
  • Altunöz, U. (2013), “Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), ss. 189-217.
  • Birgül Kutlu B. ve Badur, B. (2009), “Yapay Sinir Ağları İle Borsa Endeksi Tahmini”, Yönetim, 20(63), ss.25-40.
  • Boyacıoğlu M., A.ve Kara Y.(2007), “Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının Karşılaştırılması”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), ss.197-217.
  • Budak, H. ve Erpolat, S. (2012), “Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması”, AJIT‐e: Online Academic Journal of Information Technology, 3(9), ss.23-30.
  • Cho, V. (2003), “A Comparison of Three Different Approaches to Tourist Arrival Forecasting”, Tourism Management, 24 (3), p. 323-330.
  • Church, K. B. and Curram, S. P. (1996), “Forecasting Consumers’ Expenditure: A Comparison Between Econometric and Neural Network Models”, International Journal of Forecasting, 12 (2), p. 255-267.
  • Coakley James R. and Brown Carol E. (2000), “Artificial Neural Networks in Accounting and Finance: Modeling Issues”, International Journal of Intelligent Systems in Accounting, Finance & Management, 9, p. 119-144.
  • Çelik, M., K. (2010), “Bankaların Finansal Başarısızlıklarının Geleneksel ve Yeni Yöntemlerle Öngörüsü”, Celal Bayar Üniversitesi İ.İ.B.F Yönetim ve Ekonomi, 17(2), ss. 129-143.
  • Dağıdır, C. (2010), “Türk Bankacılık Sektöründe Karlılık ve Makro Ekonomik Değişkenlerle İlişkisi”, Ekonomi Bilimleri Dergisi, 2(1), ss. 25-33.
  • Dayı, F. ve Akdemir, E. (2016), “Döviz Piyasası Baskısı Modellerinin Yapay Sinir Ağı İle Mukayesesi: Türkiye Uygulaması”, Akademik Araştırmalar ve Çalışmalar Dergisi, 8(15), ss. 151-168.
  • Delen, D., Sharda, R. and Bessonov, M. (2006), “Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Network”, Accident Analysis & Prevention, 38 (3), p. 434-444.
  • Enyindah, P., and Onwuachu Uzochukwu C. (2016), “A Neural Network Approach to Financial Forecasting”, International Journal of Computer Applications, 135(8), p. 28-32.
  • Erdoğan, E. ve Özyürek, H. (2012), “Yapay Sinir Ağları İle Fiyat Tahminlemesi”, Sosyal ve Beşeri Bilimler Dergisi, 4(1), ss. 85-92.
  • Frechtling, D. C. (2001), “An Assessment of Visitor Expenditure Methods and Models”, Journal of Travel Research, 45 (1), p. 26-35.
  • Gholizadeh, M., H., Langroudi, M., M., N., Bahmani, A. and Dizaji, B.,S.(2011), “Corporate Financial Distress Prediction Using Artificial Neural Networks and Using Micro-Level Financial İndicators”, Interdısciplınary Journal Of Contemporary Research In Business, 3(5), p. 595-605.
  • Gülhan Ü. ve Uzunlar, E. (2011), “Bankacılık Sektöründe Kârlılığı Etkileyen Faktörler: Türk Bankacılık Sektörüne Yönelik Bir Uygulama”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15 (1), ss. 341-368.
  • Gündoğdu F. ve Aksu, H. (2011), “Mevduat Bankacılığında Karlılık ve Makroekonomik Değişkenler İlişkisi: Türkiye Üzerine Bir Uygulama”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, ss. 243-270.
  • Güneş, N. (2015), “Banka Kârlılığının Belirleyicileri: 2002-2012 Dönemi Türk Mevduat Bankaları Üzerine Bir İnceleme”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 20 (3), ss. 265-282.
  • Hamzaçebi, C. (2011), Yapay Sinir Ağları, Ekin Yayınevi, Bursa.
  • Haykin, S. (1999), Neural Networks A Comprehensive Foundation, Pretice Hall.
  • Keskin Benli, Y. (2002), “Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve İMKB’de Bir Uygulama”, Muhasebe Bilim Dünyası Dergisi, 4 (4), ss. 17-30.
  • Kumar, P., Walia, E.(2006), “Cash Forecasting: An Application of Artificial Neural Networks in Finance”, International Journal of Computer Science & Applications, III (I), p. 61-77.
  • Öztemel, Ercan.(2012), Yapay Sinir Ağları, Papatya Yayıncılık Eğitim, 3.Basım, İstanbul.
  • Pacelli, V., and Azzollini M. (2011), “An Artificial Neural Network Approach for Credit Risk Management”, Journal of Intelligent Learning Systems and Applications, 3, p. 103-112.
  • Reis, Ş., G., Kılıç, Y. ve Buğan, M., F. (2016), “Banka Karlılığını Etkileyen Faktörler: Türkiye Örneği” Muhasebe ve Finans Dergisi, Ekim, ss.21-36.
  • Saldanlı, A. ve Aydın, M. (2016), “Bankacılık Sektöründe Karlılığı Etkileyen Faktörlerin Panel Veri Analizi İle İncelenmesi: Türkiye Örneği”, İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 24, ss.1-9.
  • Samırkaş, M., C., Evci, S. ve Ergün, B. ( 2014). Türk Bankacılık Sektöründe Karlılığın Belirleyicileri. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(8), ss.117-134.
  • Sarıtaş, H., Kangallı Uyar S.,G. ve Gökçe, A. (2016), “Banka Karlılığı İle Finansal Oranlar ve Makroekonomik Değişkenler Arasındaki İlişkilerin Sistem Dinamik Panel Veri Modeli ile Analizi: Türkiye Araştırması”, Eskişehir Osmangazi Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 11(1), ss. 87- 108.
  • Sönmez F., Zontul M. ve Bülbül, Ş. (2015), “Mevduat Bankalarının Karlılığının Yapay Sinir Ağları İle Tahmini: Bir Yazılım Modeli Tasarımı”, BDDK Bankacılık ve Finansal Piyasalar, 9(1), ss. 9-45.
  • Šuleř,P. (2016), “Cash Management of a Company Using Neural Networks”, Littera Scripta, 9(3), p.125-140.
  • Sümer, G. (2016), “Türk Bankacılık Sektörünün Tarihsel Gelişimi ve AB Bankacılık Sektörü İle Karşılaştırılması, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(2), ss. 485-508.
  • Şeker, M., Yıldırım, E. S., Berkay, A. (2004), “Yapay Sinir Ağlarının Ekonomik Tahminlerde Kullanılması”, Pamukkale Üniversitesi Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, Özel Sayı 10, ss.79-83.
  • Şen, Z. (2004), Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul.
  • Taşkın, F., D. (2011), “Türkiye’de Ticari Bankaların Performansını Etkileyen Faktörler”, Ege Akademik Bakış, 11(2), ss. 289- 298.
  • Tektaş A., ve Karataş, A. (2004), “Yapay Sinir Ağları ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi”, İktisadi ve İdari Bilimler Dergisi, 18( 3-4). ss. 337-349.
  • Tosunoğlu, N., G. ve Keskin Benli Y. (2012), “Morgan Stanley Capital International Türkiye Endeksinin Yapay Sinir Ağları ile Öngörüsü”, Ege Akademik Bakış, 12(4), ss. 541-547.
  • Uğurlu, M. (2011), Finansal Tablolardaki Hile Riskinin Belirlenmesi: Yapay Sinir Ağı Modeliyle Bir Bankada Uygulama, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, Doktora Tezi, Kütahya.
  • Velo, R., López, P. and Maseda, F. (2014), “Wind Speed Estimation Using Multilayer Perceptron”, Energy Conversion and Management, 81, p.1-9.
  • Yazıcı, M. ( 2007), Bankalarda Kobi Kredilerini Değerlendirmeye İlişkin Bir Yaklaşım: Yapay Sinir Ağları, Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü Finans ve Bankacılık Doktora Programı, Doktora Tezi, İstanbul.
  • Yüksel, R. ve Akkoç S. (2016), “Altın Fiyatlarının Yapay Sinir Ağları İle Tahmini ve Bir Uygulama”, Doğuş Üniversitesi Dergisi, 17 (1), ss.39-50.
  • Zhang, G. and Hu, M. Y. (1998), “Neural Network Forecasting of The British Pound/US Dollar Exchange Rate”, Omega International Journal of Management, Science, 26 (4), p. 495-506.
  • Zorić, A., B. (2016), “Predicting Customer Churn In Banking Industry Using Neural Networks”, Interdisciplinary Description of Complex Systems, 14(2), p.116-124.
  • https://www.tbb.org.tr/tr/bankacilik/banka-ve-sektor-bilgileri/istatistiki-raporlar/59, (Erişim Tarihi: 27.12.2017)
  • https://www.ziraatbank.com.tr/tr/Bankamiz/YatirimciIliskileri/Documents/FaaliyetRaporu/FaaliyetRaporu2016.pdf, (Erişim Tarihi: 26.12.2017)
  • https://www.isbank.com.tr/TR/hakkimizda/yatirimciiliskileri/finansalbilgiler/Documents/FaaliyetRaporlari/FaaliyetRaporu2016.pdf, (Erişim Tarihi: 27.12.2017)
  • http://www.tuik.gov.tr/PreTabloArama.do?metod=search&araType=vt, (Erişim Tarihi: 25.12.2017)
Yıl 2019, Cilt: 33 Sayı: 2, 451 - 466, 29.03.2019

Öz

Kaynakça

  • Akcan, A. ve Kartal, C. (2011), “İmkb Sigorta Endeksini Oluşturan Şirketlerin Hisse Senedi Fiyatlarının Yapay Sinir Ağları İle Tahmini”, Muhasebe ve Finansman Dergisi, Temmuz, ss.27-40. Akkaya G., C., Demireli, E., Yakut, Ü., H. (2009), “İşletmelerde Finansal Başarısızlık Tahminlemesi: Yapay Sinir Ağları Modeli İle İmkb Üzerine Bir Uygulama”, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi,10(2), ss. 187-216.
  • Alp A., Ban, Ü., Demirgüneş, K. ve Kılıç, S. (2010), “Türk Bankacılık Sektöründe Karlılığın İçsel Belirleyicileri”, İMKB Dergisi, 12(46), ss.1-13.
  • Altunöz, U. (2013), “Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), ss. 189-217.
  • Birgül Kutlu B. ve Badur, B. (2009), “Yapay Sinir Ağları İle Borsa Endeksi Tahmini”, Yönetim, 20(63), ss.25-40.
  • Boyacıoğlu M., A.ve Kara Y.(2007), “Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının Karşılaştırılması”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), ss.197-217.
  • Budak, H. ve Erpolat, S. (2012), “Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması”, AJIT‐e: Online Academic Journal of Information Technology, 3(9), ss.23-30.
  • Cho, V. (2003), “A Comparison of Three Different Approaches to Tourist Arrival Forecasting”, Tourism Management, 24 (3), p. 323-330.
  • Church, K. B. and Curram, S. P. (1996), “Forecasting Consumers’ Expenditure: A Comparison Between Econometric and Neural Network Models”, International Journal of Forecasting, 12 (2), p. 255-267.
  • Coakley James R. and Brown Carol E. (2000), “Artificial Neural Networks in Accounting and Finance: Modeling Issues”, International Journal of Intelligent Systems in Accounting, Finance & Management, 9, p. 119-144.
  • Çelik, M., K. (2010), “Bankaların Finansal Başarısızlıklarının Geleneksel ve Yeni Yöntemlerle Öngörüsü”, Celal Bayar Üniversitesi İ.İ.B.F Yönetim ve Ekonomi, 17(2), ss. 129-143.
  • Dağıdır, C. (2010), “Türk Bankacılık Sektöründe Karlılık ve Makro Ekonomik Değişkenlerle İlişkisi”, Ekonomi Bilimleri Dergisi, 2(1), ss. 25-33.
  • Dayı, F. ve Akdemir, E. (2016), “Döviz Piyasası Baskısı Modellerinin Yapay Sinir Ağı İle Mukayesesi: Türkiye Uygulaması”, Akademik Araştırmalar ve Çalışmalar Dergisi, 8(15), ss. 151-168.
  • Delen, D., Sharda, R. and Bessonov, M. (2006), “Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Network”, Accident Analysis & Prevention, 38 (3), p. 434-444.
  • Enyindah, P., and Onwuachu Uzochukwu C. (2016), “A Neural Network Approach to Financial Forecasting”, International Journal of Computer Applications, 135(8), p. 28-32.
  • Erdoğan, E. ve Özyürek, H. (2012), “Yapay Sinir Ağları İle Fiyat Tahminlemesi”, Sosyal ve Beşeri Bilimler Dergisi, 4(1), ss. 85-92.
  • Frechtling, D. C. (2001), “An Assessment of Visitor Expenditure Methods and Models”, Journal of Travel Research, 45 (1), p. 26-35.
  • Gholizadeh, M., H., Langroudi, M., M., N., Bahmani, A. and Dizaji, B.,S.(2011), “Corporate Financial Distress Prediction Using Artificial Neural Networks and Using Micro-Level Financial İndicators”, Interdısciplınary Journal Of Contemporary Research In Business, 3(5), p. 595-605.
  • Gülhan Ü. ve Uzunlar, E. (2011), “Bankacılık Sektöründe Kârlılığı Etkileyen Faktörler: Türk Bankacılık Sektörüne Yönelik Bir Uygulama”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15 (1), ss. 341-368.
  • Gündoğdu F. ve Aksu, H. (2011), “Mevduat Bankacılığında Karlılık ve Makroekonomik Değişkenler İlişkisi: Türkiye Üzerine Bir Uygulama”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, ss. 243-270.
  • Güneş, N. (2015), “Banka Kârlılığının Belirleyicileri: 2002-2012 Dönemi Türk Mevduat Bankaları Üzerine Bir İnceleme”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 20 (3), ss. 265-282.
  • Hamzaçebi, C. (2011), Yapay Sinir Ağları, Ekin Yayınevi, Bursa.
  • Haykin, S. (1999), Neural Networks A Comprehensive Foundation, Pretice Hall.
  • Keskin Benli, Y. (2002), “Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve İMKB’de Bir Uygulama”, Muhasebe Bilim Dünyası Dergisi, 4 (4), ss. 17-30.
  • Kumar, P., Walia, E.(2006), “Cash Forecasting: An Application of Artificial Neural Networks in Finance”, International Journal of Computer Science & Applications, III (I), p. 61-77.
  • Öztemel, Ercan.(2012), Yapay Sinir Ağları, Papatya Yayıncılık Eğitim, 3.Basım, İstanbul.
  • Pacelli, V., and Azzollini M. (2011), “An Artificial Neural Network Approach for Credit Risk Management”, Journal of Intelligent Learning Systems and Applications, 3, p. 103-112.
  • Reis, Ş., G., Kılıç, Y. ve Buğan, M., F. (2016), “Banka Karlılığını Etkileyen Faktörler: Türkiye Örneği” Muhasebe ve Finans Dergisi, Ekim, ss.21-36.
  • Saldanlı, A. ve Aydın, M. (2016), “Bankacılık Sektöründe Karlılığı Etkileyen Faktörlerin Panel Veri Analizi İle İncelenmesi: Türkiye Örneği”, İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 24, ss.1-9.
  • Samırkaş, M., C., Evci, S. ve Ergün, B. ( 2014). Türk Bankacılık Sektöründe Karlılığın Belirleyicileri. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(8), ss.117-134.
  • Sarıtaş, H., Kangallı Uyar S.,G. ve Gökçe, A. (2016), “Banka Karlılığı İle Finansal Oranlar ve Makroekonomik Değişkenler Arasındaki İlişkilerin Sistem Dinamik Panel Veri Modeli ile Analizi: Türkiye Araştırması”, Eskişehir Osmangazi Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 11(1), ss. 87- 108.
  • Sönmez F., Zontul M. ve Bülbül, Ş. (2015), “Mevduat Bankalarının Karlılığının Yapay Sinir Ağları İle Tahmini: Bir Yazılım Modeli Tasarımı”, BDDK Bankacılık ve Finansal Piyasalar, 9(1), ss. 9-45.
  • Šuleř,P. (2016), “Cash Management of a Company Using Neural Networks”, Littera Scripta, 9(3), p.125-140.
  • Sümer, G. (2016), “Türk Bankacılık Sektörünün Tarihsel Gelişimi ve AB Bankacılık Sektörü İle Karşılaştırılması, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(2), ss. 485-508.
  • Şeker, M., Yıldırım, E. S., Berkay, A. (2004), “Yapay Sinir Ağlarının Ekonomik Tahminlerde Kullanılması”, Pamukkale Üniversitesi Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, Özel Sayı 10, ss.79-83.
  • Şen, Z. (2004), Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul.
  • Taşkın, F., D. (2011), “Türkiye’de Ticari Bankaların Performansını Etkileyen Faktörler”, Ege Akademik Bakış, 11(2), ss. 289- 298.
  • Tektaş A., ve Karataş, A. (2004), “Yapay Sinir Ağları ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi”, İktisadi ve İdari Bilimler Dergisi, 18( 3-4). ss. 337-349.
  • Tosunoğlu, N., G. ve Keskin Benli Y. (2012), “Morgan Stanley Capital International Türkiye Endeksinin Yapay Sinir Ağları ile Öngörüsü”, Ege Akademik Bakış, 12(4), ss. 541-547.
  • Uğurlu, M. (2011), Finansal Tablolardaki Hile Riskinin Belirlenmesi: Yapay Sinir Ağı Modeliyle Bir Bankada Uygulama, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, Doktora Tezi, Kütahya.
  • Velo, R., López, P. and Maseda, F. (2014), “Wind Speed Estimation Using Multilayer Perceptron”, Energy Conversion and Management, 81, p.1-9.
  • Yazıcı, M. ( 2007), Bankalarda Kobi Kredilerini Değerlendirmeye İlişkin Bir Yaklaşım: Yapay Sinir Ağları, Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü Finans ve Bankacılık Doktora Programı, Doktora Tezi, İstanbul.
  • Yüksel, R. ve Akkoç S. (2016), “Altın Fiyatlarının Yapay Sinir Ağları İle Tahmini ve Bir Uygulama”, Doğuş Üniversitesi Dergisi, 17 (1), ss.39-50.
  • Zhang, G. and Hu, M. Y. (1998), “Neural Network Forecasting of The British Pound/US Dollar Exchange Rate”, Omega International Journal of Management, Science, 26 (4), p. 495-506.
  • Zorić, A., B. (2016), “Predicting Customer Churn In Banking Industry Using Neural Networks”, Interdisciplinary Description of Complex Systems, 14(2), p.116-124.
  • https://www.tbb.org.tr/tr/bankacilik/banka-ve-sektor-bilgileri/istatistiki-raporlar/59, (Erişim Tarihi: 27.12.2017)
  • https://www.ziraatbank.com.tr/tr/Bankamiz/YatirimciIliskileri/Documents/FaaliyetRaporu/FaaliyetRaporu2016.pdf, (Erişim Tarihi: 26.12.2017)
  • https://www.isbank.com.tr/TR/hakkimizda/yatirimciiliskileri/finansalbilgiler/Documents/FaaliyetRaporlari/FaaliyetRaporu2016.pdf, (Erişim Tarihi: 27.12.2017)
  • http://www.tuik.gov.tr/PreTabloArama.do?metod=search&araType=vt, (Erişim Tarihi: 25.12.2017)
Toplam 48 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Vesile Ömürbek 0000-0001-8647-1708

Özen Akçakanat Bu kişi benim 0000-0002-7223-3028

Esra Aksoy 0000-0003-1395-2337

Yayımlanma Tarihi 29 Mart 2019
Yayımlandığı Sayı Yıl 2019 Cilt: 33 Sayı: 2

Kaynak Göster

APA Ömürbek, V., Akçakanat, Ö., & Aksoy, E. (2019). AKTİF BÜYÜKLÜKLERİNE GÖRE DEĞERLENDİRİLEN BÜYÜK ÖLÇEKLİ BANKALARIN YAPAY SİNİR AĞLARI İLE KARLILIK TAHMİNİ. Atatürk Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 33(2), 451-466.

4aoDA4.pngithenticate-badge-rec-positive.png800px-Open-Access-PLoS.svg.png