BİREYSEL TÜKETİCİ İHTİYAÇ KREDİSİ TALEP TAHMİNLERİNİN VEKTÖR OTOREGRESYON VE YAPAY SİNİR AĞI MODELLERİ İLE KARŞILAŞTIRMALI ANALİZİ

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

The Comparative Analysis of Personal Loan Demand Forecast With Vector Autoregression and Artificial Neural Network Models

As a result of immensity of consumer needs and increased funding opportunities, credit demand has become one of the indispensable elements of financial life for individual and industrial areas. Offering the ability to relatively higher returns compared to other financial instruments in terms of banks personal loan have become more attractive. This study focuses on the issue of demand of personal loan needs in Turkey. The aim of this the study is modeled correctly forecast personal loans will enable effective decisions to be taken in terms of both consumers and providers of financing. Vector Autoregression and Artificial Neural Network models were compared with using the 131 monthly data covering January 2005 - November 2015. According to the results of analysis Artificial Neural Network model gave a much more effective results than Vector Autoregression model

PDF

___

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 andEconomic 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).
AYTAÇ, Deniz. (2010). Enerji ve Ekonomik Büyüme İlişkisinin Çok Değişkenli VAR Yaklaşımı ile Tahmini, Maliye Dergisi, 158, 482-495.
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.