Aktif Büyüklüklerine Göre Değerlendirilen Büyük Ölçekli Bankaların Yapay Sinir Ağları İle Kârlılıklarının Öngörüsü
Bankalar her geçen gün yenilikçi yaklaşımlara adapte olarak faaliyet göstermektedir.Bankacılık sektörü ülke ekonomisi için önemli bir pozisyonda yer almaktadır. Bankaların temelamaçlarından biri göstermiş oldukları faaliyet çalışmalarında, sürdürülebilir kârlılığı ve verimliliğikoruyarak büyümektir. Bu çalışmada aktif büyüklüklerine göre bankalar dikkate alınmıştır. Bubağlamda çalışmanın temel amacı aktif büyüklüğüne göre büyük ölçekli bankaların kârlılıköngörüsünü yapmaktır. Bu amaca ulaşmak için de yapay sinir ağları yöntemi bir araç olarakkullanılmıştır. Banka kârlılık öngörüsünde yapay sinir ağının eğitimi ve öngörüler Matlab (Sürüm7.12) programı ile yapılmıştır. Çalışmada, 2003 Mart-2017 Haziran arası üç aylık dönem verileridikkate alınmıştır. Bununla birlikte ortalama özkaynak kârlılığı bağımlı değişken olarak alınmıştır.Çalışmada kârlılığı etkilediği düşünülen on tane de bağımsız değişken kullanılmıştır. Yapay sinirağı modelinde gerçekleştirilen analizle; test verilerine ait değerlerin ve gerçek değerlerin birbirineyakın olduğu gözlenmiştir. Bu sebepten dolayı kurulan ağlarla 2017 Eylül-2018 Haziran dönemleriiçin kârlılık öngörüsü yapılmıştır. Sonuç olarak bankalar için önemli olan kârlılık öngörülerinin,yapay sinir ağı modeli ile yapılabileceği görülmüştür.
Artificial Neural Networks Based Estimation of the Profitability of Large Scale Banks by Active Size
Banks are constantly adapting to innovative approaches. The banking sector is in an important position for the country's economy. One of the main objectives of the banks is to grow by maintaining sustainable profitability and efficiency in their activities. In this study, banks were taken into consideration according to their asset size. In this context, the main objective of the study is to make forecasting of the profitability of large-scale banks according to their asset size. In order to achieve this goal, artificial neural networks method was used as a tool.The training and predictions of the artificial neural network were performed with Matlab (Version 7.12) program. In this study, data for three-months period between March 2003 and June 2017 are taken into consideration. In addition, average return on equity was taken as a dependent variable. In this study, ten independent variables which are thought to affect profitability were used. Findings of the artificial neural network model highlight that the actual values and the test data are very close to each other. Hence, profitability forecast was made for the period of September 2017 and June 2017 for the established networks. As a result, it is seen that the profitability forecasting, which are important for banks, can be done with artificial neural network model.
___
- 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 Kârlılığın 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.
- Dağıdır, C. (2010), “Türk Bankacılık Sektöründe Kârlılık ve Makro Ekonomik Değişkenlerle İlişkisi”, Ekonomi Bilimleri Dergisi, 2(1), ss. 25-33.
- Dayı, F. ve Akdemir, E. (2016), “Döviz Piyasası Baskısı Modellerinin Yapay Sinir Ağı İle Mukayesesi: Türkiye Uygulaması”, Akademik Araştırmalar ve Çalışmalar Dergisi, 8(15), ss. 151-168.
- Delen, D., Sharda, R. and Bessonov, M. (2006), “Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Network”, Accident Analysis & Prevention, 38 (3), p. 434-444.
- Enyindah, P., and Onwuachu Uzochukwu C. (2016), “A Neural Network Approach to Financial Forecasting”, International Journal of Computer Applications, 135(8), p. 28-32.
- Erdoğan, E. ve Özyürek, H. (2012), “Yapay Sinir Ağları İle Fiyat Tahminlemesi”, Sosyal ve Beşeri Bilimler Dergisi, 4(1), ss. 85-92.
- Frechtling, D. C. (2001), “An Assessment of Visitor Expenditure Methods and Models”, Journal of Travel Research, 45 (1), p. 26-35.
- Gholizadeh, M., H., Langroudi, M., M., N., Bahmani, A. and Dizaji, B., S. (2011), “Corporate Financial Distress Prediction Using Artificial Neural Networks and Using Micro-Level Financial Indicators”, Interdısciplınary Journal Of Contemporary Research In Business, 3(5), p. 595-605.
- Gülhan Ü. ve Uzunlar, E. (2011), “Bankacılık Sektöründe Kârlılığı Etkileyen Faktörler: Türk Bankacılık Sektörüne Yönelik Bir Uygulama”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15 (1), ss. 341-368.
- Gündoğdu F. ve Aksu, H. (2011), “Mevduat Bankacılığında Kârlılık ve Makroekonomik Değişkenler İlişkisi: Türkiye Üzerine Bir Uygulama”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, ss. 243-270.
- Güneş, N. (2015), “Banka Kârlılığının Belirleyicileri: 2002-2012 Dönemi Türk Mevduat Bankaları Üzerine Bir İnceleme”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 20 (3), ss. 265- 282.
- Hamzaçebi, C. (2011), Yapay Sinir Ağları, Ekin Yayınevi, Bursa. Haykin, S. (1999), Neural Networks A Comprehensive Foundation, Pretice Hall.
- Kartal, M. T. (2018), Bankaların Finans Sektöründeki Önemi (Importance of Banks in Finance Sector), Finansal İktisat (Financial Economics), 5-27, 2018/8. Available at SSRN: https://ssrn.com/abstract=3232801.
- Kumar, P., Walia, E.(2006), “Cash Forecasting: An Application of Artificial Neural Networks in Finance”, International Journal of Computer Science & Applications, III (I), p. 61-77.
- Öztemel, Ercan.(2012), Yapay Sinir Ağları, Papatya Yayıncılık Eğitim, 3.Basım, İstanbul.
- Pacelli, V., and Azzollini M. (2011), “An Artificial Neural Network Approach for Credit Risk Management”, Journal of Intelligent Learning Systems and Applications, 3, p. 103-112.
- Reis, Ş., G., Kılıç, Y. ve Buğan, M., F. (2016), “Banka Kârlılığını Etkileyen Faktörler: Türkiye Örneği” Muhasebe ve Finans Dergisi, Ekim, ss.21- 36.
- Saldanlı, A. ve Aydın, M. (2016), “Bankacılık Sektöründe Kârlılığı Etkileyen Faktörlerin Panel Veri Analizi İle İncelenmesi: Türkiye Örneği”, İstanbul Üniversitesi İktisat Fakültesi Ekonometri ve İstatistik Dergisi, 24, ss.1-9.
- Samırkaş, M., C., Evci, S. ve Ergün, B. (2014). Türk Bankacılık Sektöründe Kârlılığın Belirleyicileri. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(8), ss.117-134.
- Sarıtaş, H., Kangallı Uyar S., G. ve Gökçe, A. (2016), “Banka Kârlılığı İle Finansal Oranlar ve Makroekonomik Değişkenler Arasındaki İlişkilerin Sistem Dinamik Panel Veri Modeli ile Analizi: Türkiye Araştırması”, Eskişehir Osmangazi Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 11(1), ss. 87- 108.
- Sönmez F., Zontul M. ve Bülbül, Ş. (2015), “Mevduat Bankalarının Kârlılığının Yapay Sinir Ağları İle Tahmini: Bir Yazılım Modeli Tasarımı”, BDDK Bankacılık ve Finansal Piyasalar, 9(1), ss. 9-45.
- Šuleř,P. (2016), “Cash Management of a Company Using Neural Networks”, Littera Scripta, 9(3), p.125-140.
- Sümer, G. (2016), “Türk Bankacılık Sektörünün Tarihsel Gelişimi ve AB Bankacılık Sektörü İle Karşılaştırılması, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(2), ss. 485-508.
- Şeker, M., Yıldırım, E. S., Berkay, A. (2004), “Yapay Sinir Ağlarının Ekonomik Tahminlerde Kullanılması”, Pamukkale Üniversitesi Mühendislik Fakültesi Mühendislik Bilimleri Dergisi, Özel Sayı 10, ss.79-83.
- Şen, Z. (2004), Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul. Taşkın, F., D. (2011), “Türkiye’de Ticari Bankaların Performansını Etkileyen Faktörler”, Ege Akademik Bakış, 11(2), ss. 289- 298.
- Tektaş A., ve Karataş, A. (2004), “Yapay Sinir Ağları ve Finans Alanına Uygulanması: Hisse Senedi Fiyat Tahminlemesi”, İktisadi ve İdari Bilimler Dergisi, 18( 3-4). ss. 337-349.
- Tosunoğlu, N., G. ve Keskin Benli Y. (2012), “Morgan Stanley Capital International Türkiye Endeksinin Yapay Sinir Ağları ile Öngörüsü”, Ege Akademik Bakış, 12(4), ss. 541-547.
- Uğurlu, M. (2011), Finansal Tablolardaki Hile Riskinin Belirlenmesi: Yapay Sinir Ağı Modeliyle Bir Bankada Uygulama, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı, Doktora Tezi, Kütahya.
- Velo, R., López, P. and Maseda, F. (2014), “Wind Speed Estimation Using Multilayer Perceptron”, Energy Conversion and Management, 81, p.1-9.
- Yazıcı, M. ( 2007), Bankalarda Kobi Kredilerini Değerlendirmeye İlişkin Bir Yaklaşım: Yapay Sinir Ağları, Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü Finans ve Bankacılık Doktora Programı, Doktora Tezi, İstanbul.
- Yüksel, R. ve Akkoç S. (2016), “Altın Fiyatlarının Yapay Sinir Ağları İle Tahmini ve Bir Uygulama”, Doğuş Üniversitesi Dergisi, 17 (1), ss.39- 50.
- Zhang, G. and Hu, M. Y. (1998), “Neural Network Forecasting of The British Pound/US Dollar Exchange Rate”, Omega International Journal of Management, Science, 26 (4), p. 495-506.
- Zorić, A., B. (2016), “Predicting Customer Churn In Banking Industry Using Neural Networks”, Interdisciplinary Description of Complex Systems, 14(2), p.116-124.
- https://www.tbb.org.tr/tr/bankacilik/banka-ve-sektor-bilgileri/istatistikiraporlar/59, (Erişim Tarihi: 27.12.2017)
- https://www.isbank.com.tr/TR/hakkimizda/yatirimciiliskileri/finansalbilgiler/Do cuments/FaaliyetRaporlari/FaaliyetRaporu2016.pdf, (Erişim Tarihi: 27.12.2017)
- http://www.tuik.gov.tr/PreTabloArama.do?metod=search&araType=vt, (Erişim Tarihi: 25.12.2017)
-