Yapay Sinir Ağları ve Çoklu Doğrusal Regresyon Kullanarak Emeklilik Fonu Net Varlık Değerlerinin Tahmin Edilmesi

Abstract

Bu çalışmada Türkiye’de faaliyet gösteren ve atak portföy yapısı ile tanımlanan 12 bireysel emeklilik fonunun Aralık 2005- Ocak 2020 dönemi arasında aylık olarak net varlık değerleri (NAV) çok katmanlı algılayıcı (ÇKA) ve çoklu doğrusal regresyon yöntemleriyle tahmin edilmeye çalışılmıştır. Bunun için 12 bağımsız değişken ve bir bağımlı değişkenden oluşan modeller oluşturulmuş; elde edilen sonuçların başarı oranları ve hata değerleri karşılaştırılmıştır. ÇKA yönteminde giriş katmanında 12 düğüm, 2 gizli katman ve her gizli katmanda 5 düğüm ve çıkış katmanında bir düğüm olan bir ağ modeli tasarlanmıştır. Tasarlanan bu ağ modelinde gizli katma sayısı ve her gizli katmandaki nöron sayısı aynıdır. Çoklu doğrusal regresyon modelinde 12 bağımsız değişken ile bir bağımlı değişken arasındaki bağıntıyı ortaya koymak ve tahminde bulunmak için her bir bireysel emeklilik yatırım fonunun net varlık değeri için bir model oluşturulmuştur. ÇKA ağının başarı oranı %77,40, R2 0,986, RMSE 0,011, MAE 0,006, MAPE 0,076; ÇDR ise başarı oranı ise %44,54, R2 0,981, RMSE 0,024, MAE 0,018, MAPE 0,400 olmuştur. Bu çalışma sonucunda ÇKA’nın başarısının geleneksel ekonometrik bir yöntem olan doğrusal regresyona göre daha iyi olduğu sonucuna ulaşılmıştır. Elde edilen bu sonuçlar Türkiye’de bundan önceki yapılan çalışmalar ile paralellik göstermektedir. Ayrıca bu çalışma profesyonel fon yöneticiler için de yönettikleri fonların performansını sürdürülebilir hale getirmesi ve değişen ekonomik koşullara göre portföylerini oluşturmasında yardımcı olacağı düşünülmektedir.

Keywords

• Bireysel emeklilik fonu
• çoklu doğrusal regresyon
• çok katmanlı algılayıcı

The Prediction of Pension Fund Net Asset Values Using Artificial Neural Networks and Multiple Linear Regression Methods

Abstract

In the present study, the researched attempted to estimate the net asset value (NAV) of 12 private pension funds operating in Turkey and described in the attack portfolio structure, covering the December 2005-January 2020 period using the multilayer perceptron (MLP) and multiple linear regression methods. To this end, models, comprised of 12 independent variables and one dependent variable were formed, and the success rates and error values of results were compared. A network model was designed in the MLP method, and this model consisted of 12 nodes in the input layer, 2 hidden layers with 5 nodes each, and one node in the output layer. An econometric model was created to identify and estimate the relationship between 12 independent variables and one dependent variable in the multiple linear regression model. The success rate of the MLP network is 77.40%, R2 0.986, RMSE 0.011, MAE 0.006, MAPE 0.076; on the other hand, the success rate of MLR was 44.54%, R2 0.981, RMSE 0.024, MAE 0.018, and MAPE 0.400. It was concluded in the study that the success rate of MLP was higher than linear regression, a traditional econometric method. These results are in parallel with those of previous studies in Turkey. In addition, the present study will be able to help professional fund managers to maintain the performance of funds they manage and to create their portfolios according to changing economic conditions.

Keywords

• Pension fund
• artificial neural networks
• multiple linear regression

References

1. Internet: Emeklilik Gözetim Merkezi, BES Özet Verileri. https://www.egm.org.tr/bilgi-merkezi/istatistikler/, 21.03.2020.
2. W.C. Chiang, T. L. Urban, G. W. Baldridge, "A neural network approach to mutual fund net asset value forecasting", Omega, 24(2), 205-215, 1996.
3. D. C. Indro, C. Jiang, B. Patuwo, G. Zhang, "Predicting mutual fund performance using artificial neural networks", Omega, 27(3), 373-380, 1999.
4. P. Ray, V. Vina, "Neural network models for forecasting mutual fund net asset value", 8th Capital Markets Conference, Indian, 1-18, 2004.
5. K. Wang, S. Huang, "Using fast adaptive neural network classifier for mutual fund performance evaluation", Expert Systems with Applications, 37(8), 6007-6011, 2010.
6. C.C. Chen, A.P. Chen, P.Y. Yeh, "Modeling and simulation of the open-end equity mutual fund market in Taiwan by using self-organizing map", Simulation Modelling Practice and Theory, 36, 60-73, 2013.
7. V. Akel, F. Karacameydan, "Yatırım Fonları Net Varlık Değerlerinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi", Anadolu University Journal of Social Sciences, 12(2), 87-105, 2012.
8. D. Onocak, S. Koç, "Yapay Sinir Ağları ile Emeklilik Yatırım Fonu Hisse Senedi Fiyatlarının Tahmini", Finans Ekonomi ve Sosyal Araştırmalar Dergisi (FESA), 3(3), 590-600,2018.

9. B. Ataseven, "Yapay Sinir Ağları ile Öngörü Modellemesi," Öneri Dergisi, 10(39), 101-115, 2013.
10. T. Ş. Yapraklı, H. Erdal, "Firma başarısızlığı tahminlemesi: Makine öğrenmesine dayalı bir uygulama", International Journal of Informatics Technologies, 9(1), 21-31, 2016.
11. A. M. Kalteh, R. Berndtsson, "Interpolating monthly precipitation by self-organizing map (SOM) and multilayer perceptron (MLP)", Hydrological Sciences Journal, 52(2), 305-317, 2007.
12. H. Özkişi, M. Topaloğlu, "Fotovoltaik hücrenin verimliliğinin yapay sinir ağı ile tahmini", Bilişim Teknolojileri Dergisi, 10(3), 247-253, 2017.
13. M. Çakıcı, A. Oğuzhan, T. Özdil, İstatistik. Ekin Yayınları, Bursa, 2015.
14. R. Karabulut, K. Şeker, "Belirlenmiş Değişkenlerin Vergi Gelirleri Üzerindeki Etkisi: Çoklu Doğrusal Regresyon Analizi", Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(3), 1049-1070, 2018.
15. V. Kargi, "A comparison of artificial neural networks and multiple linear regression models as in predictors of fabric weft defects", Tekstil ve Konfeksiyon, 24, 309-316, 2014.
16. A. K. Dhamija, V. K. Bhalla, "Exchange rate forecasting: comparison of various architectures of neural networks", Neural Computing and Applications, 20(3), 355-363, 2011.
17. E. Baranoff, T. Sager, T. Shively, "A Semiparametric Stochastic Spline Model as a Managerial Tool for Potential Insolvency", The Journal of Risk and Insurance, 67, 369-396, 2000.
18. G. Kumaşoğlu, B. Bolat, "Yapay Sinir Ağlarıyla Müzikal Tür Tanıma," Elektrik-Elektronik Bilgisayar Sempozyumu (FEEB 2011), Elazığ, Türkiye, 61-64, 5-7 Ekim 2011.
19. S. Trenn, "Multilayer Perceptrons: Approximation Order and Necessary Number of Hidden Units", IEEE Transactions on Neural Networks, 19(5), 836-844, 2008.
20. G. İclal, "Çok Katmanlı Algılayıcı Yapay Sinir Ağı ile Lineer Diferansiyel Denklem Sisteminin Çözümü", 18. Akademik Bilis¸im Konferansı, Aydın, 3-5 Şubat 2016.
21. M. O. Öğücü, Yapay Sinir Ağları İle Sistem Tanıma, Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2006.
22. M. Bahçecitapar, S. Aktaş Altunay, "Çoklu doğrusal bağlantı durumunda doğrusal karma modelin kullanımı ve bir uygulama", Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(6), 1349-1359, 2017.
23. A. Tunahan, "Makroekonomik Faktörler ve Banka Kredilerinin Enflasyon Üzerindeki Etkisi: Türkiye Örneği", Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(1), 98-107, 2020.
24. N. Bekiroğlu, R. Konyalıoğlu, D. Karahan, "Çoklu doğrusal regresyon sonuçlarının Jackknife tekniği ile tekrarlanabilirliğinin değerlendirilmesi", Marmara Medical Journal, 26(2), 63-67, 2013.
25. S. Güriş, E. Akay, B. Güriş, E-views ile Temel Ekonometri, Der Yayınları, İstanbul, 2017.
26. Ö. Ünver, H. Gamgam, B. Altunkaynak, SPSS Uygulamalı Temel İstatistik Yöntemler, Seçkin Yayıncılık, İstanbul, 2016.
27. C. Aktaş, "Türkiye'nin turizm gelirini etkileyen değişkenler için en uygun regresyon denkleminin belirlenmesi", Doğuş Üniversitesi Dergisi, 6 (2), 163-174, 2005.
28. W. Wang, Z. Xu, "A heuristic training for support vector regression", Neurocomputing, 61, 259-275, 2004.
29. Y. Gültepe, "Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme", Avrupa Bilim ve Teknoloji Dergisi, 16, 8-15, 2019.
30. S. Çınaroğlu, "Sağlık harcamasının tahmininde makine öğrenmesi regresyon yöntemlerinin karşılaştırılması", Uludağ University Journal of The Faculty of Engineering, 22(2), 179-200, 2017.