YAPAY SİNİR AĞLARI YÖNTEMİ İLE BANKALARIN TAHSİLİ GECİKMİŞ ALACAKLARININ TAHMİNİ

Yıl 2016, Sayı: 1, 29 - 43, 30.03.2016

İlhami Karahanoğlu

Öz

Gelişen teknoloji ile yüksek veri işleme kapasitesine sahip yeni yöntem ve metotlar bilgisayar sistemlerini de içerecek şekilde ortaya çıkmakta ve farklı
bilim dalları arasındaki etkileşim ile de paylaşılmaktadır. Endüstri Mühendisliği ve Matematik Problemleri çözümünde kullanılan Yapay Sinir
Ağlar (YSA)’lar son çeyrek asırda finansal problemler için de pratik ve esnek bir araç olarak tercih edilmektedir. Hem finansal politikaları belirleyen ve
krizler için öncü bir gösterge; hem de bankaların kendi iç performanslarını belirleyen bir değişken olarak tahsili gecikmiş alacaklar finans dünyası için
dikkatle takip edilen önemli bir değişkendir. Bu çalışmadatahsili gecikmiş alacaklar için yapay sinir ağı yapısı; açıklayıcı değişkenler olarak dolar ve
avronun, BIST100 endeksinin ve sanayi üretim endeksinin aylık getirileri son 10 yıllık dönemdeki veriler kullanılarak oluşturulmuş ve oluşturulan farklı
YSA yapıları verimlilik fonksiyonları perspektifinde karşılaştırılmıştır.

Anahtar Kelimeler

Yapay Sinir Ağları, Tahsili Gecikmiş Alacaklar, Banka

Kaynakça

• AKSOY, A.Ş. (1998), Yeni Sağ, Kamu Yönetimi ve Yerel Yönetim: Eleştirel Bir Yaklaşım, Çağdaş Yerel Yönetimler Dergisi, 7(1), Ocak, 3-13.
• AKSOY, A.Ş. (2008), Kamu Yönetiminde Değişim Üzerine Düşünceler, Bölgesel Sorunlar ve Türkiye Sorunlar-Tehditler-Fırsatlar, Edt: A.H. Aydın, S. Taş ve S. Adıgüzel, Kahramanmaraş Sütçü İmam Üniversitesi Yayını No:131, Kahramanmaraş, 195-207.
• AMEDİKU, S. (2006),Stress Tests of The Ghanaian BankingSector : A Var Approach. Working Paper. Bank of GhanaWp/Bog-2006/02
• ARSLAN, İ., SEVDA Y. (2008), Banka Kredileri Ve Enflasyon Arasındaki İlişki: Türkiye Üzerine EkonometrikBir Analiz (1983-2007),İstanbul Üniversitesi İktisat Fakültesi Ekonometri Ve İstatistik Dergisi. Ekonometri Ve İstatistik,7,88-103
• ÇUHADAR, M., GÜNGÖR İ.,GÖKSU A. (2009),Turizm Talebinin Yapay Sinir Ağları İle Tahmini Ve Zaman Serisi Yöntemleri İle Karşılaştırılmalı Analizi:Antalya İline Yönelik Bir Çalışma”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Dergisi,14(1),99-114
• ÇİFTER, A.YILMAZERS.,ÇİFTER E.,” Analysis Of SectoralCredit Default Cycle Dependency With Wavelet Networks: Evidence From Turkey, EconomicModelling,26(6),1382-1388
• EFENDİGİL, T.,ÖNÜT, S., & KAHRAMAN, C. (2009), A Decision Support System For Demand Forecasting With Artificial Neural Networks AndNeuro-FuzzyModels: A Comparative Analysis, ExpertSystems With Applications ,36, 6697–6707.
• ERİLLİ, N.A.,EĞRİOĞLUE.,YOLCUU.,ALADAĞ Ç.H.,USLU R.V.(2010), Türkiye’de Enflasyonun İleri Ve Geri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı İle Öngörüsü”, Doğuş UniversitesiDergisi,11(1),42- 55
• GUPTA, M.M. (2003), Staticand Dynamics Neural Networks: From Fundementalsto Advanced Theory, John Wiley&Sons, New Jersey
• HAMZAÇEBİ, C.(2011), Yapay Sinir Ağları, Tahmin Amaçlı Kullanımı Matlab Ve Neursosolutions Uygulamaları, Ekin, Bursa
• HARRİS, T.(2013), Quantitative Credit Risk AssessmentUsing Support VectorMachines: Broad Versus Narrow Default Definitions, Expert Systems With Applications,40(11),4404-4413
• ISLAMOGLU, M. (2015),The Effect Of Macroeconomic Variables On Non-Performing Loan Ratio Of Publicly Traded Banks in Turkey, Wseas Transactions On Business And Economics, Volume 12, 2224-2899
• JANVISLOO, M. A.,JUNAINA M., TAUFIQ H. (2013),Macroeconomics Shocks And Stability in Malaysian Banking System; A Structural Var, American Journal Of Economics 2013, 3(5c): 22-28.
• KAYNAR, O, TASTAN S, DEMİRKOPARAN F. (2011),Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini”, Atatürk Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi.,25,463-474
• KHEMRAJ, T.,PASHA S. (2009),The Determinants Of Non-Performing Loans: An Econometric Case Study Of Guyana the caribbean Centre For Banking And Finance Biannual Conference On Banking And Finance, St. Augustine, Trinidad.
• KLEIN, N. (2013),Non-Performing Loans in Cesee: Determinants And Macroeconomic Performance Imf WorkingPaper, Wp1372
• LOUZIS, D.P.,VOULDIS A.T.,VASILIOS L.M. (2011),Macroeconomicand Bank Spesific Determinant Of NonPerforming Loans in Greece: A Comparative Study of Mortgage , Business and Consumer Loan Portfolio”,Journal Of Finance And Banking, 36(4),1012- 1024
• MESSAI, A.S. (2013), Micro And Macro Determinants Of No performing Loan, International Journal Of EconomicsAndFinancial ,3,(4),852-860
• PODPIERA, J.,WEILL, L. (2008),Bad Luck or Bad Management? Emerging Banking Market Experience”,Journal Of Financial Stability,4, 135– 148
• REINHART, C., ROGOFF, K. (2010),American Economic Review, American Economic Association, 101(5), 1676-1706
• ŠKARICA, B.,(2014),Determinants 37 Of Non-Performing Loans in Central and Eastern European Countries. Financial Theory And Practice, 38 (1) 37-59
• TANG, T. C.,&CHI, L. C. (2005),Neural Networks Analysis in Business Failure Prediction Of Chinese Importers: A Between-Countries Approach, Expert Systems With Applications, 29, 244–255
• YÜCEMEMİS, B.,SOZER I.A.(2010),Türk Bankacılık Sektöründe Takipteki Krediler:Mukayeseli Kriz Performansı. Avrupa Araştırmaları Dergisi,18 (L2),2010
• SIMON, H. (1994),Neural Networks: A Comprehensive Foubdations, Macmillian College, New York
• TAKMA, C., ATIL H., AKSAKAL V. (2012), Çoklu Doğrusal Regresyon Ve Yapay Sinir Ağı Modellerinin Laktasyon Süt Verimlerine Uyum Yeteneklerinin Karşılaştırılması, Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, 18(6), 941-944
• SHAO, H.H.JU H.F.,WU C., XU J.T., LIU M.Z. (2012), Research On Commercial Bank Credit Risk Evaluation Model Based On The Integration Of TheProbability Distribution Theory and The BpNeural Network Technology.”, International Journal Of Advancements in Computing Technology , 4(22),115-124