Meltem KARAATLI, Esranur DEMİRCİ, Ahmet BAYKALDI

Ticari Kredi Faiz Oranlarının YSA NARX ve VAR Modelleri ile Öngörülmesi

Amaç – Bu çalışmada, ekonomik kalkınmanın önemli göstergelerinden biri olan, genellikle orta ve uzun vadeli olarak gerçekleşen, özel sektör yatırım kararları üzerinde belirleyici bir etkisi olan ticari kredi faiz oranları Yapay Sinir Ağları (YSA) Doğrusal Olmayan Dışsal Girdili Otoregresif Ağ (NARX) ve Vektör Otoregresif (VAR) modelleri ile öngörülmeye çalışılmıştır. Yöntem – Bu amaçla bankaların ticari kredilere uyguladıkları faiz oranı üzerinde doğrudan ya da dolaylı etkisi olduğu düşünülen makroekonomik altı değişken tespit edilmiştir. Çalışmada kullanılan veriler EVDS (Elektronik Veri Dağıtım Sistemi), Investing ve Paragaranti veri tabanlarından elde edilmiş olup Ocak 2010 – Haziran 2019 dönemi aylık verileri kapsamaktadır. YSA NARX Modeli ile yapılan öngörü çalışmasının performansı, doğrusal model özelliğine sahip öngörü gücü yüksek bir modelleme tekniği olan VAR Modeli ile karşılaştırılmıştır. Bulgular – Analiz sonucunda dört farklı performans değeri sonuçlarına bakılarak (MAD, MAPE, MSE, RMSE) doğrusal olmayan YSA NARX Modelinin doğrusal model özelliğine sahip olan VAR Modeline göre oldukça iyi sonuçlar verdiği görülmüştür. Sonuç olarak önemli bir makroekonomik gösterge olan ticari kredi faiz oranlarının tahmini ve öngörüsü için doğrusal olmayan modellemenin daha iyi sonuçlar verdiği görülmüştür. Tartışma – Türkiye gibi gelişmekte olan ülkelerde finansal piyasalar aşırı değişken, kırılgan, siyasi ve toplumsal risklere karşı oldukça duyarlıdır. Bundan dolayı makroekonomik değişkenlerin durağan bir eksende yer alması mümkün olmamaktadır. Bu gibi ekonomilerde, zaman serisi veri setine dayalı regresyon analizleri yoluyla yapılan öngörü çalışmalarından doğru ve tutarlı sonuçlar elde etmek oldukça zordur. Bu nedenlerden dolayı durağanlığını yitirebilen değişkenlerin doğrusal olmayan ilişkilerinin varlığını modelleyebilen yöntemlerin daha doğru sonuçlar verdiği tespit edilmiştir.

Forecasting Commercial Credit Interest Rates with ANN NARX and VAR Models

Purpose – In this study; commercial loan interest rates which are one of the important indicators of economic development, generally occur in medium and long term, and have a determining effect on private sector investment decisions was tried to be predicted with Artificial Neural Networks (ANN) Nonlinear Autoregressive Exogenous model (NARX) and Vector Autoregressive (VAR) models. Design/methodology/approach – For this purpose, six macroeconomic variables, which are thought to have a direct or indirect effect on the interest rate applied by banks to commercial loans, were identified. The data used in the study were obtained from EVDS (Electronic Data Distribution System), Investing and Paragaranti databases and cover monthly data from January 2010 to June 2019. The performance of the prediction study with YSA NARX Model has been compared with the VAR Model, which is a predictive modeling technique with a linear model featuring a high predictive power. Findings – As a result of the analysis, it was observed that the non-linear ANN NARX Model results are very good compared to the VAR Model, which has the feature of linear model by looking at the results of four different performance values (MAD, MAPE, MSE, RMSE). As a result, nonlinear modeling has been shown to give better results for the prediction and forecast of commercial loan interest rates, which is an important macroeconomic indicator. Discussion – Financial markets in emerging countries such as Turkey are hypervariable, fragile and highly sensitive to political and social risks. Therefore, it is not possible for macroeconomic variables to be located on stationarity. In such economies, it is quite difficult to obtain accurate and consistent results from the foresight studies conducted through the regression analysis based on the time series data set. For these reasons, it has been determined that the methods that are able to model the presence of nonlinear relationships of variables that may lose their stationarity, give more accurate results.

PDF

___

Aderemi, A.A.A., Adewumi, A. O. ve Ayo, C. K. (2014). Comparison of ARIMA and Artificial Neural Networks Models for Stock Price Prediction, Journal of Applied Mathematics, 2014(1), 1-7.
Ak, R., Fink, O. ve Zio, E. (2016). Two Machine Learning Approaches for Short-Term Wind Speed Time-Series Prediction, IEEE Transactions on Neural Networks and Learning Systems Journal, 27(8), 1734–1747.
Altan, Ş. (2008). Döviz Kuru Öngörü Performansı İçin Alternatif Bir Yaklaşım: Yapay Sinir Ağı, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(2), 141-160.
Aşkın, D., İskender, İ. ve Mamızadeh, A. (2011). Farklı Yapay Sinir Ağları Yöntemlerini Kullanarak Kuru Tip Transformatör Sargısının Termal Analizi, Gazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 26(4), 905-913.
Ayla, D. (2019). Türkiye’de Faiz Oranı ve Döviz Kuru, Bingöl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(17), 289-308.
Aytekin, S. ve Dube, S. (2016). Piyasalar Araso Dinamikler: Hisse Senedi, Tahvil, Döviz ve Emtia Piyasaları Arasındaki Etkileşim ve Nedensellik İlişkileri, Elektronik Sosyal Bilimler Dergisi, 15(59), 1311-1326.
Benazić, M. (2013). Testing the Fisher Effect in Croatia: An Empirical Investigation, Economic Research, 26(1), 83-102.
Booth, G. G. ve Ciner, Ç. (2001). The Relationship Between Nominal Interest Rates and Inflation: International Evidence, Journal of Multinational Financial Management, 11(3), 269-280.
Cadenas, E., Rivera, W., Amezcua, R. C. ve Heard, C. (2016). Wind Speed Prediction Using a Univariate ARIMA Model and a Multivariate NARX Model, Energies, 9(2), 1-15.
Cesur, F. (2006). Para Arzı ile Enflasyon İlişkisi ve Türkiye Uygulaması (1994-2004), Trakya Üniversitesi Sosyal Bilimler Dergisi, 8(2), 85-104.
Cheng, B. ve Titteington, D.M. (1994). Neural Networks: A Review From a Statistical Perspective, Statistical Science, 9 (1), 2–54.
Claveria, O. ve Torra, S. (2014). Forecasting Tourism Demand to Catalonia: Neural Networks vs. Time Series Models, Economic Modelling, 36, 220-228.
Conkar, M. K. ve Vergili, G. (2017). Kredi Temerrüt Swapları İle Döviz Kurları Arasındaki İlişki: Türkiye İçin Amprik Bir Analiz, Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(4), 59-66.
Davidson, R. ve Mackinnon, J.G. (1993). Estimation and Inference in Econometrics, Oxford, İngiltere: Oxford University Pres.
Demir, M. ve Sever, E. (2008). Kamu İç Borçlanmasının Büyüme, Faiz ve Enflasyon Oranı Üzerindeki Etkileri, Elektronik Sosyal Bilimler Dergisi, 7(25), 170-196.
Demirgil, B. ve Türkay, H. (2017). Türkiye'de Faiz Oranlarını Etkileyen Faktörler: Bir ARDL/Sınır Testi Uygulaması, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(3), 907-928.
Dohnal, J. (2004). Using of Levenberg-Marquardt Method in Identification by Neural Networks, In Student EEICT 2004. Student EEICT 2004. Brno: Ing. Zdeněk Novotný CSc.,361 – 365.
Erdoğan, E. ve Özyürek, H. (2012). Yapay Sinir Ağları ile Fiyat Tahminlemesi, Sosyal ve Beşeri Bilimler Dergisi, 4(1), 85-92.
EVDS (Elektronik Veri Dağıtım Sistemi), (2020). Fiyat Endeksi (Yurt İçi Üretici Fiyatları)(2003=100)(TÜİK)(NACE REV.2)(Aylık), https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, (Erişim Tarihi: 8 Aralık 2020).
EVDS (Elektronik Veri Dağıtım Sistemi), (2020). Kurlar-Döviz Kurları(Günlük)(Aylık Frekans), https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, (Erişim Tarihi: 8 Aralık 2020).
EVDS (Elektronik Veri Dağıtım Sistemi), (2020). M1 – Düzey(Aylık), https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, (Erişim Tarihi: 8 Aralık 2020).
EVDS (Elektronik Veri Dağıtım Sistemi), (2020). Ticari (TL Üzerinden Açılan)(Akım Veri,%)(Aylık) – Düzey (Aylık), https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, (Erişim Tarihi: 8 Aralık 2019).
EVDS (Elektronik Veri Dağıtım Sistemi), (2020). Yurt İçi Kredi Hacmi, Bankacılık Sektörü (Bin TL)(Aylık), https://evds2.tcmb.gov.tr/index.php?/evds/serieMarket, (Erişim Tarihi: 8 Aralık 2020).
Ferrari, S. ve Jensenius, M. (2008). A Constrained Optimization Aapproach to Preserving Priorknowledge During Incremental Training, IEEE Transactions on Neural Networks and Learning Systems, 19(6), 996– 1009.
Greene, W. H., (1993). Econometric Analysis, Upper Saddle River, New Jersey: Prentice-Hall.
Gujarati, D. N. (1995). Basic Econometrics, New York: McGraw-Hill Higher Education.
Hagan, M.T. ve Menhaj, M.B. (1994). Training Feedforward Networks With the Marquardt Algorithm, IEEE Transactions on Neural Networks, 5(6), 989–993.
Ham, F.M. ve Kostanic, I. (2003). Princibles of Neurocomputing for Science&Engineering, New York: McGrawHill Education.
Hamzaçebi, C. (2005). Geleceği Tahminde Yapay Sinir Ağları İçin Sezgisel Öğrenme Algoritması, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
Haykin, S. (1998). Neural Networks: A Comprehensive Foundation, Upper Saddle River, NJ, USA: Prentice Hall PTR.
Helhel, Y. (2009). Makroekonomik Değişkenler ve Döviz Kuru İlişkisi: Yapay Sinir Ağı ve VAR Yaklaşımları ile Öngörü Modellenmesi, Doktora Tezi, Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü, Isparta.
Investing.com, (2020). Türkiye 2 Yıllık Tahvil Verimi, Türkiye 2 Yıllık Tahvil Verimi(Aylık), https://tr.investing.com/rates-bonds/turkey-2-year-bond-yield-historical-data, (Erişim Tarihi: 08 Aralık 2020).
İslamoğlu, E. (2015). Aralık Değerli Zaman Serilerinde Kullanılan Modelleme Teknikleri, Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8(2), 178–193.
Lasheras , F.Z., Juez, F. S., Sanchez, A. S., Krzemien, A. ve Fernandez, P. R. (2015). Forecasting the COMEX Copper Spot Price by Means of Neural Networks and ARIMA Models, Resources Policy, 45, 37-43.
Leigh, D. ve Rossi, M. (2002). Exchange Rate Pass- Through İn Turkey, IMF Working Paper, 1-18.
Kirbaş, İ. ve Kerem, A. (2016). Short-Term Wind Speed Prediction Based on Artificial Neural Network Models, Measurement and Control, 49(6), 183-190.
Khosravi, Z.M.H., Barghinia, S. ve Ansarimehr, P. (2006). New momentum Adjustment Technique for Levenberg-Marquardt Neural Network Used in Short Term Load Forecasting, in Proc. of 21st International Power System Conference, Tehran, Iran.
Lin, T., Horne, B.G., Tino, P. ve Giles, C.L., (1996). Learning Long-term Dependencies in NARX Recurrent Neural Networks, IEEE Transactions on Neural Networks, 7(6), 1329-1338.
Maitra, B. (2018). Determinants of Nominal Interest Rates in India, Journal of Quantitative Economics, 16(1), 265– 288.
Manonmani, A., Thyagarajan, T., Elango, M. ve Sutha S. (2018). Modelling and Control of Greenhouse System Using Neural Networks, Transactions of the Institute of Measurement and Control, 40(3), 918–929.
Masatçı, K., ve Darıcı, B. (2006). Türkiye’de Faiz Oranlarının Belirlenmesinde İçsel ve Dışsal Faktörlerinin Rolü, Yönetim ve Ekonomi Araştırmaları Dergisi, 4(6), 18-31.
Nesanır, Ö. (2011). Türkiye’de Para Arzı-Banka Kredileri İlişkisi: VAR Analizi(1986-2010), Sosyal Bilimler Dergisi, 1(2), 115-133.
Özpınar, Ö., Özman, H., ve Doru, O. (2018). Kredi Temerrüt Takası (CDS) ve Kur-Faiz İlişkisi Türkiye Örneği, Bankacılık ve Sermaye Piyasası Araştırmaları Dergisi-BSPAD, 2(4), 31-45.
Panda, C. ve Narasimhan, V. (2007). Forecasting Exchange Rate Better With Artificial Neural Network, Journal of Policy Modeling, 29(2), 227-236.
Paragaranti, (2020). CDS (Aylık), Paragaranti.com: https://www.paragaranti.com/cds (Erişim Tarihi: 8 Aralık 2019).
Ripley, B.D. (1993). Statistical aspects of neural networks. In: experts: An empirical test. In: Barndorff-Nielsen, O.E., Jensen, J.L., Kendall, W.S. (Eds.), Networks and Chaos-Statistical and Probabilistic Aspects, London: Chapman and Hall, 40–123.
Sever, E., ve Mızrak, Z. (2007). Döviz Kuru, Enflasyon ve Faiz Oranı Arasındaki İlişkiler: Türkiye Uygulaması, Sosyal Ekonomik Araştırmalar Dergisi, 7(3), 264-283.
Sevüktekin, M. ve Nargeleçekenler, M. (2007). Finansal Faktörlerin Reel Para Talebi Üzerindeki Rolü: Türkiye Örneği, Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(18), 45-61.
Sims, C., (1980). “Macroeconomics and Reality”. Econometrica, 48(1), 1-48.
Tatlı, A.ve Kahvecioğlu, S. (2016). Zaman Serilerinde NARX Sinir Ağları Modeliyle Uçuşa Elverişlilik Süresinin Kestirimi, ELECO'2016 Elektrik, Elektronik ve Biyomedikal Mühendisliği Konferansı, 1Aralık 2016, Bursa, 130-134.
Telçeken, H., ve Değirmen, S. (2019). Enflasyon ve Kredi Faizleri Arasındaki Uzun Dönemli İlişkinin Fisher Hipotezi Çerçevesinde Değerlendirilmesi Türkiye Uygulaması (2002-2018), Istanbul Business Research, 47(2), 154-182.
Valipour, M., Banihabib, M. E., Mahmood, S. ve Behrahani, R. (2013). Comparison of The ARMA, ARIMA, and The Autoregressive Artificial Neural Network Models in Forecasting the Monthly Inflow of Dez Dam Reservoir, Journal of Hydrology, 476, 433-441.
Werbos, P.J. (1988). Back-Propagation: Past and Future, in Proc. International Conference Neural Networks, San Diego, CA, 1, 343–353.
Were, M. Ve Wambua, J. (2013). Assessing The Determinants of Interest Rate Spread of Commercial Banks in Kenya: An Empricial Investigtion, KBA Centre for Research on Financial Markets and Policy(WPS/01/13), 1-25.
Wijaya, Y. B.ve Napitupulu, T. A. (2010). Stock Price Prediction: Comparison of ARIMA and Artificial Neural Network Methods - An Indonesia Stock's Case, Second International Conference on Advances in Computing, Control, and Telecommunication Technologies, 176-179.
Wilamowski, B.M. ve Chen, Y. (1999). Efficient Algorithm for Training Neural Networks with one Hidden Layer, in Proc. of the International Joint Conference on Neural Networks, 3, 1725-1728.
White, H. (1989). Learning in Artificial Neural Networks: A Statistical Perspective, Neural Computation, 1(4), 425–464.
Xie, H., Tang, H. ve Liao, Y. (2009). Time Series Prediction Based on NARX Neural Networks: An Advanced Approach, In: 2009 International Conference on Machine Learning and Cybernetics, 3, 1275–1279.
Yaşar, S. (2006). Firma Finansmanında Hisse Senedi Piyasalarının Rolü: Türkiye Örneği, Ankara: Sermaye Piyasası Kurulu.
Yavuz, H. H. (2012). Tahvil Piyasası Oynaklığının Belirlenmesinde Makroekonomik Değişkenlerin Oynaklığının Analizi, Maliye ve Finans Yazıları, 1(96), 15-33.
Yavuz, E. (2018). Yapay Sinir Ağı Kullanılarak Kontrol Alan Ağları İçin Çevrem İçi Mesaj Zamanlaması Optimizasyonu, Doktora Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta.
Yavuz, S. ve Deveci, M. (2012). İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.
Zhang, G. P., Patuwo, B. E. ve Hu, M. Y. (1998). Forecasting With Artificial Neural Networks: The State Of The Art, International Journal Of Forecasting, 14(1), 35-62.