Bireysel Tüketici İhtiyaç Kredisi Talep Tahminlerinin Vektör Oto Regresyon ve Yapay Sinir Ağı Modelleri ile Karşılaştırmalı Analizi

Yıl 2017, Cilt: 9 Sayı: 16, 19 - 38, 01.01.2017

İrfan Ertuğrul , Abdullah Özçil

https://doi.org/10.14784/marufacd.305559

Öz

Tüketici ihtiyaçlarının sınırsızlığı ve finansman olanaklarının artması sonucu bireysel ve endüstriyel
alanda kredi talebi finansal hayatın vazgeçilmez unsurlarından biri haline gelmiştir. Bankalar açısından diğer
finansal araçlara göre nispeten daha yüksek getiri olanağı sunan bireysel krediler daha cazip hale gelmiştir.
Bu çalışmada Türkiye’deki tüketicilerin bireysel kredi ihtiyacının talebi konusu ele alınmıştır. Çalışmanın
amacı hem tüketiciler hem de finansman sağlayıcılar açısından etkin kararlar alınmasını sağlayacak
bireysel ihtiyaç kredisi tahmininin uygun şekilde modellenmesidir. Ocak 2005 - Kasım 2015 dönemini kapsayan
131 aylık veri ile Vektör Otoregresyon (Vector Autoregression) modeli ve Yapay Sinir Ağı (Artificial
Neural Network) modeli karşılaştırılmıştır. Yapılan analiz sonuçlarından Yapay Sinir Ağı modelinin Vektör
Otoregresyon modeline göre çok daha etkin sonuçlar verdiği elde edilmiştir.

Anahtar Kelimeler

Bireysel İhtiyaç Kredisi Talebi, VAR Modeli, Yapay Sinir Ağı Modeli, Talep Tahmini

Kaynakça

• AMARI, Shun-ichi. (1994). Neural Networks: A Review From Statistical Perspective: Comment, Statistical Science, 9(1), 31-32.
• AYTAÇ, Deniz. (2010). Enerji ve Ekonomik Büyüme İlişkisinin Çok Değişkenli VAR Yaklaşımı ile Tahmini, Maliye Dergisi, 158, 482-495. Bankacılık Düzenleme ve Denetleme Kurumu (2016). Türk Bankacılık Sektörü İnteraktif Aylık Bülten, http://ebulten.bddk.org.tr/ABMVC/, (Erişim Tarihi: 01.01.2016).
• BAYKAL, Nazife. & BEYAN, Timur. (2004). Bulanık Mantık Uzman Sistemler ve Denetleyiciler, Bıçaklar Kitabevi, Ankara.
• BOZKURT, Hilal Y. (2007). Zaman Serileri Analizi, Ekin Kitabevi, Bursa.
• CHEN, Wu. & MINGHUA, Zhang. (2012). Personal Credit Forecast Based on the Optimal Naive Bayesian Classifier. Journal of Jiangsu University of Science and Technology (Natural Science Edition), 26(4), 376-380.
• DAUJI, Saha., DEO, Makarand C., & BHARGAVA, Kapilesh. (2015). Prediction of Ocean Currents With Artificial Neural Networks. ISH Journal of Hydraulic Engineering, 21(1), 14-27.
• DALAN, Özlem. (2015). Adli Vakaların Coğrafi Bilgi Sistemleri ve Yapay Sinir Ağları ile Tahminlenmesi: İzmir İli Hırsızlık Suçları Örneği. Adli Tıp Dergisi, 30(1), 29-40.
• DOMINGO, Laura Montalban., FERNÁNDEZ-VILLA, Juan Antonio Villaronte., SENDRA, Claudio Masanet., &
• HERRÁIZ, Julia. I. Real. (2015). An Artificial Neural Network Model As A Preliminary Track Design Tool, Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 1-13.
• ELMAS, Çetin. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Seçkin Yayıncılık, Ankara.
• GANI, Abdullah., MOHAMMADI, Kasra., SHAMSHIRBAND, Shahaboddin., KHORASANIZADEH, Hossein., DANESH, Amir Seyed., PIRI, Jamshid., ISMAIL, Zuraini. & ZAMANI, Mazdak. (2015). Day of The Year-Based Prediction of Horizontal Global Solar Radiation By A Neural Network Auto-Regressive Model, Theoretical and Applied Climatology, 1-11.
• GUPTA, Sanjeev., & KASHYAP, Sachin. (2015). Forecasting Inflation in G-7 Countries: An Application of Artificial Neural Network, Foresight, 17(1), 63-73.
• GÜREL, Sinem Pınar. (2012). İktisadi Büyümeyi Etkileyen Dış Dinamiklerin Doğrusal Olmayan Analizi, Ege Üniversitesi, Sosyal Bilimler Enstitüsü, İktisat Anabilim Dalı, Yayınlanmamış Doktora Tezi, İzmir.
• GÜNAY, M. Erdem. (2016). Forecasting Annual Gross Electricity Demand by Artificial Neural Networks Using Predicted Values of Socio-Economic Indicators and Climatic Conditions: Case of Turkey, Energy Policy, 90, 92-101.
• HEBB, Donald Olding. (1949). The Organization of Behavior: A Neuropsychological Approach. John Wiley & Sons, New York.
• HELHEL, Yeşim. (2009). Makroekonomik Değişkenler ve Döviz Kuru İlişkisi: Yapay Sinir Ağı ve Var Yaklaşımları ile Öngörü Modellemesi, T.C. Süleyman Demirel Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, Yayınlanmamış Doktora Tezi, Isparta.
• HOPFIELD, John J. (1982). Neural Networks And Physical Systems With Emergent Collective Computational Abilities, Proceedings of The National Academy Of Sciences, 79(8), 2554-2558.
• HYDMAN, Rob J. & KOEHLER, Anne B. (2006). Another Look at Measures of Forecast Accuracy, International Journal of Forecasting, 22, 679-688.
• KAASTRA, Iebeling. & BOYD, Milton. (1996). Designing a Neural Network for Forecasting Financial and Economic Time Series, Geurocomputing, 10, 215-236.
• KADILAR, Cem. (2000). Uygulamalı Çok Değişkenli Zaman Serileri Analizi, Bizim Büro Basımevi, Ankara.
• KAYIKÇI, Şafak. (2014). Web Sayfalarının Yapay Sinir Ağları ile Sınıflandırılması. T.C. Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, Gazetecilik Anabilim Dalı, Yayınlanmamış Doktora Tezi, İstanbul.
• KOHONEN, Teuvo. (1982). Self-Organized Formation of Topologically Correct Feature Maps, Biological Cybernetics, 43(1), 59-69.
• KOMYAKOV, Alexandr A., ERBES, Viktor. V., & IVANCHENKO, Vladimir. I. (2015). Application of Artificial Neural Networks For Electric Load Forecasting on Railway Transport, In Environment and Electrical Engineering (EEEIC),
• IEEE 15th International Conference on, Rome, 43-46.
• MCCLOUGH, Warren S. & PITTS, Walter. (1943). A Logical Calculus of The Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5, 115-133.
• MIRMIRANI, Sam. & LI, Hsi. C. (2004). A Comparıson of Var And Neural Networks With Genetic Algorithm In Forecasting Price Of Oil (in Jane M. Binner, Graham Kendall, Shu-Heng Chen (ed.) Applications of Artificial Intelligence in Finance and Economics (Advances in Econometrics, Volume 19)) Emerald Group Publishing Limited, 203 - 223.
• NABIYEV, Vasif V. (2003). Yapay Zeka, Seçkin Yayıncılık, Ankara.
• NAZEMI, Alireza., ABBASI, Behzad., & OMIDI, Farahnaz. (2015). Solving Portfolio Selection Models With Uncertain Returns Using An Artificial Neural Network Scheme, Applied Intelligence, 42(4), 609-621.
• ROSENBLATT, Frank. (1958). The Perceptron: A Probabilistic Model For Information Storage and Organization In The Brain, Psychological Review, 65 (6), 386-408.
• SIMS, Christopher A. (1980). "Macroeconomomics and Reality" Econometrica, 48(1), s. 1-5.
• SING, Michael C., EDWARDS, David J., LIU, Henry J., & LOVE, Peter E. D. (2015). Forecasting Private-Sector Construction Works: VAR Model Using Economic Indicators, Journal of Construction Engineering and Management, 141(11), 1-9.
• SANTOS, Soares Dos T., MENDES, David., & TORRES, Rodrigues R. (2015) Artificial Neural Networks and Multiple Linear Regression Model Using Principal Components to Estimate Rainfall over South America. Nonlin. Processes Geophys., 23(1), 13-20.
• ŞEN, Zekai. (2004). Yapay Sinir İlkeleri. Su Vakfı Yayınları, İstanbul.
• ŞENTÜRK, Mehmet. (2014). Türkiye'de Cari İşlemler Açığını Etkileyen Faktörlerin VAR Modelleri ile Analizi, T. C. İnönü Üniversitesi, Sosyal Bilimler Enstitüsü, İktisat Anabilim Dalı, Yayınlanmamış Doktora Tezi, Malatya.
• TARI, Recep. & BOZKURT, Hilal. (2005). Türkiye’de İstikrarsız Büyümenin VAR Analizi (1991.1-2004.3), VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs, İstanbul. Türkiye Bankalar Birliği (2016). Nakit Kredilere İlişkin Bilgi Notu, https://www.tbb.org.tr/Content/Upload/Dokuman/7340/TBB_Bilgi_Notu_RM_Bulten.pdf, (Erişim Tarihi: 22.02.2016).
• WARNER, Brad. & MISRA, Manavendra., (1996). Understanding Neural Networks As Statistical Tool, The American Statistician, 50(4), 284-293.
• WIDROW, Bernard. & HOFF, Marcian E. (1960). Adaptive Switching Circuits. WESCON Convention Record Part IV, New York (Reprinted in JA Anderson and E. Rosenfeld. Neurocomputing: Foundations of Research).
• ZHANG, Caiqing., & ZHENG, Jincheng. (2015). VAR Model For Relations of China's Carbon Productivity and Social Electricity Consumption, International Journal of Applied Mathematics and Statistics™, 53(2), 36-45.
• ZHAO, Lutao., CHENG, Lei., WAN, Yongtao., ZHANG, Hao., & ZHANG, Zhigang. (2015). A VAR-SVM Model for Crude Oil Price Forecasting. International Journal of Global Energy Issues, 38(1-3), 126-144.