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