SavedAdd your journal

Journals / Bankacılar / 2015 / Cilt: 26 - Sayı: 94

Credit Card Usage Prediction With Grey Model and Genetic Algrotihm Based Grey Model: Comparative Analysis

Kredi Kartı Kullanım İstatistiklerinin Gri Tahmin ve Genetik Algoritma Tabanlı Gri Tahmin Metodu İle Tahmini: Karşılaştırmalı Analiz

BAHADIR FATİH YILDIRIM
Timur KESKİNTÜRK
Pages
65–80
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

As a result, all models GA-GM (1,1) method was succeed to make estimates with lower error.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study Grey Model-GM(1,1) and Genetic Algorithm based Grey Model GA-GM(1,1) methods was compared.
📊
Key Findings & Data:For this purpose, between the period 2009/1-2014/2 on the use of local credit card by taking eight different data sets and the models are established for both methods.
💡
Conclusion & Impact:As a result, all models GA-GM (1,1) method was succeed to make estimates with lower error.
🔬Design:Modeling & Simulation
📍Scope:2009 Verileri
⚙️Variables:Domain Parameters

Abstract

In this study Grey Model-GM(1,1) and Genetic Algorithm based Grey Model GA-GM(1,1) methods was compared. For this purpose, between the period 2009/1-2014/2 on the use of local credit card by taking eight different data sets and the models are established for both methods. Models were compared with values obtained MAPE statistics. It has also been estimated for the period 2014/3 for both models. As a result, all models GA-GM (1,1) method was succeed to make estimates with lower error.

Özet

Bu çalışmada Gri Tahmin GM(1,1) ve Genetik Algoritma tabanlı Gri Tahmin GA-GM(1,1) yöntemleri karşılaştırılmıştır. Bu amaçla 2009/1-2014/2 dönemleri arasında yerel kredi kartlarının kullanımına ait sekiz farklı veri seti ele alınarak her iki yöntem için de modeller kurulmuştur. Modeller, elde edilen MAPE istatistiği değerleri kullanılarak karşılaştırılmıştır. Ayrıca her iki model için de 2014/3 dönemi tahmin edilmiştir. Sonuç olarak, farklı veri setlerine ait kurulan tüm modellerde GA-GM(1,1) yönteminin daha düşük hata ile tahmin yaptığı belirlenmiştir.

🔖

Cite This Article

YILDIRIM, B. F., KESKİNTÜRK, T. (2015). Credit Card Usage Prediction With Grey Model and Genetic Algrotihm Based Grey Model: Comparative Analysis. Bankacılar, Cilt: 26 - Sayı: 94, 65–80. https://ajindex.com/articles/148319

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Akay, D., Atak, M., (2007). “Grey Prediction With Rolling Mechanism For Electricity Demand Forecasting of Turkey”, Energy, 32, 1670-1675. Bankalararası Kart Merkezi (BKM), (2014). “Aylık Basın Bülteni,Eylül 2014” 9 Mayıs 2015 tarihinde http://www.bkm.com.tr/Upload/basin/BKM%20Ayl%C4%B1k%20B%C3%BClten%20201410.pdf adresinden erişildi. Baş, M., (2010). “İşletmelerde Finansal Başarısızlığın Öngörülmesinde Gri İlişkisel Analiz Tekniği, Tekstil ve Deri Sektöründe Bir Uygulama”, Yayınlanmamış Doktora Tezi, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya. Çuhadar, M., Güngör, İ. ve Göksu, A., (2009). “Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Dergisi, 14 (1), 99-114.
  2. Deng, J. L. (1982). Control Problems of Grey Systems. Systems & Control Letters, 1(5), 288-294.
  3. Deng, J. L. (1989). Introduction To Grey System Theory. The Journal of Grey System, 1(1), 1-24.
  4. Goldberg, D.E, (1989). “Genetic Algorithms in Search Optimization and Machine Learning”, Addison Wesley Publishing Company, USA. Guangli Nie, Wei Rowe, Lingling Zhang, Yingjie Tian, Yong Shi, (2011). “Credit Card Churn Forecasting By Logistic Regression And Decision Tree”, Expert Systems with Applications, 38, 12, 15273-15285.
  5. Halvaiee, N. S., Akbari, M. K., (2014). “A Novel Model For Credit Card Fraud Detection Using Artificial Immune Systems”, Applied Soft Computing, 24, 40-49.
  6. Hamzacebi, C., Es, H. E., (2014). “Forecasting The Annual Electricity Consumption Of Turkey Using An Optimized Grey Model”, Energy, 70, 1, 165-171.
  7. Ho Ha, S., Krishnan, R., (2012). “Predicting Repayment of the Credit Card Debt”, Computers & Operations Research, 39, 4, 765-773.
  8. Jong Sik Yoon, Young S. Kwon, (2010). “A Practical Approach To Bankruptcy Prediction For Small Businesses: Substituting The Unavailable Financial Data For Credit Card Sales Information”, Expert Systems with Applications, 37, 5, 3624-3629.
  9. Kaya, Feridun, (2009). “Türkiye’de Kredi Kartı Uygulaması”, İstanbul:
  10. Türkiye Bankalar Birliği. Kızılot Ş., Kılıç, C., Tokatlıoğlu, İ., (2010). “Kartlı Ödeme Sistemleri Ekonomik Katkılar Raporu Ve 2008 Krizinde Kartlı Ödeme Sistemlerinin Olumlu Etkileri”, Gazi Üniversitesi Maliye-Vergi Hukuku Uygulama ve Araştırma Merkezi, 2010,
  11. Ankara.
  12. Kızılot Ş., Kılıç, C., Tokatlıoğlu, İ., (2011). “Kartlı Ödeme Sistemlerinin Tasarruf Üzerine Etkileri ve Ekonomik Katkıları Raporu