Taşıt Kredileri Talep Tahmininin Yapay Sinir Ağları Kullanılarak Analiz Edilmesi

Abstract

Kişilerin finansman ihtiyacını karşılamada kullandıkları tüketici kredilerinin içerisinde taşıt kredileri önemli bir yer tutmaktadır. Birden fazla sektöre ekonomik anlamda etki eden taşıt kredileri banka ve finans kurumlarının ana gelir kalemlerinden birini oluşturmaktadır. Taşıt kredilerinin tahmin edilebilirliği banka ve finans kurumlarının rekabet gücünü doğrudan etkileyebilmektedir. Otomotiv sektörü de taşıt kredilerinden etkilenen bir diğer sektördür. Otomotiv sektörünün dünyanın her yerinde ciddi bir tüketici talebi bulunmaktadır. Türkiye’de otomotiv sektörü son yıllarda hızlı bir büyüme göstermektedir. Çalışmada Türkiye’nin 2006 Ocak ayı ile 2022 Haziran ayı arasındaki dönemdeki aylık frekanslı veriler kullanılarak, yapay sinir ağları makine öğrenim tekniği ile taşıt kredisi büyüklüğünün tahmini amaçlanmıştır.

Keywords

• Finans
• taşıt kredisi
• yapay sinir ağları

Analysis of Vehicle Loans Demand Forecast Using Artificial Neural Networks

Abstract

Vehicle loans within consumer loans play a significant role in meeting the individuals financing needs. Vehicle loans, which have an economic impact on multiple sectors, constitute a major source of income for banks and financial institutions. The predictability of vehicle loans can directly affect the competitiveness of banks and financial institutions. The automotive industry is also another sector that is affected by the loans, and there is substantial consumer demand for the automotive industry worldwide. The automotive industry has shown a rapid growth recently in Turkey. In this study, monthly frequency data from January 2006 to June 2022 in Turkey were used, and the aim was to estimate the size of vehicle loans using artificial neural networks as a machine learning technique.

Keywords

• Finance
• vehicle loan
• artificial neural networks

References

1. Aydemir, E. (2019). Ders geçme notlarının veri madenciliği yöntemleriyle tahmin edilmesi. Avrupa Bilim ve Teknoloji Dergisi, 15, 70-76.
2. Drew, P. J., & Monson, J. R. (2000). Artificial neural networks. Surgery, 127(1), 3-11.
3. Erdoğan, H., Terzioğlu, M., & Kayakuş, M. (2021). Almanya’dan konaklama amacıyla Türkiye’ye gelen turist sayısının yapay zekâ teknikleri kullanılarak tahmin edilmesi. Avrupa Bilim ve Teknoloji Dergisi, 27, 961-971.
4. Islam, M. M., & Murase, K. (2001). A new algorithm to design compact two-hidden-layer artificial neural networks. Neural Networks, 14(9), 1265-1278.
5. Jain, A. K., Mao, J., & Mohiuddin, K. M. (1996). Artificial neural networks: A tutorial. Computer, 29(3), 31-44.
6. Karlik, B., & Olgac, A. V. (2011). Performance analysis of various activation functions in generalized MLP architectures of neural networks. International Journal of Artificial Intelligence and Expert Systems, 1(4), 111-122.
7. Kayacı Çodur, M. (2021). Ulaştırma enerji talebinin yapay sinir ağları ile modellenmesi. Journal of the Institute of Science and Technology, 11(4), 2706-2715.
8. Kayakuş, M., & Terzioğlu, M. (2021). Yapay sinir ağları ve çoklu doğrusal regresyon kullanarak emeklilik fonu net varlık değerlerinin tahmin edilmesi. Bilişim Teknolojileri Dergisi, 14(1), 95-103.

9. Kayakuş, M., Terzioğlu, M., & Yetiz, F. (2022). Forecasting housing prices in Turkey by machine learning methods. Aestimum, 80, 33-44.
10. Saif, A. S., Garba, A. G., Awwalu, J., Arshad, H., & Zakaria, L. Q. (2017). Performance comparison of min-max normalisation on frontal face detection using haar classifiers. Pertanika Journal of Science and Technology, 25(S), 163-172.
11. Sayjadah, Y., Hashem, I. A. T., Alotaibi, F., & Kasmiran, K. A. (2018). Credit card default prediction using machine learning techniques. 2018 Fourth International Conference on Advances in Computing, Communication & Automation (ICACCA).
12. Sharma, S., Sharma, S., & Athaiya, A. (2017). Activation functions in neural networks. Towards Data Sci, 6(12), 310-316.
13. Shen, Y., Wang, J., & Navlakha, S. (2021). A correspondence between normalization strategies in artificial and biological neural networks. Neural computation, 33(12), 3179-3203.
14. Taşar, B., Fatih, Ü., Demirci, M., & Kaya, Y. Z. (2018). Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 543-551.
15. White, H. (1989). Learning in artificial neural networks: A statistical perspective. Neural computation, 1(4), 425-464.
16. Wythoff, B. J. (1993). Backpropagation neural networks: a tutorial. Chemometrics and Intelligent Laboratory Systems, 18(2), 115-155.
17. Yavuz, S., & Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağin performansina etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi(40), 167-187.
18. Yetiz, F., Terzioğlu, M., & Kayakuş, M. (2021). Makina öğrenmesi yöntemleri ile Türk mevduat bankalarının müşteri tahminine yönelik bir uygulama. Sosyoekonomi, 29(50), 413-432.
19. Zhang, J., & Morris, A. J. (1998). A sequential learning approach for single hidden layer neural networks. Neural Networks, 11(1), 65-80.
20. Zhou, J. (2017). Data mining for individual consumer credit default prediction under e-commence context: a comparative study International Conference on Information Systems (ICIS) Seoul, Güney Kore. http://aisel.aisnet.org/icis2017/DataScience/Presentations/22