SavedAdd your journal

Journals / Dumlupınar Üniversitesi İİBF Dergisi / 2026 / Cilt: DUMLUPINAR ÜNİVERSİTESİ İİBF ULUSLARARASI YÖNETİM, EKONOMİ ve SİYASET DERGİSİ Sayı: 1

YAPAY SİNİR AĞLARI YÖNTEMİ İLE BANKALARIN TAHSİLİ GECİKMİŞ ALACAKLARININ TAHMİNİ

İlhami Karahanoğlu
Pages
29–43
Publication Date
2016-03-30
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)

Bu çalışmadatahsili gecikmiş alacaklar için yapay sinir ağı yapısı; açıklayıcı değişkenler olarak dolar ve avronun, BIST100 endeksinin ve sanayi üretim endeksinin aylık getirileri son 10 yıllık dönemdeki veriler kullanılarak oluşturulmuş ve oluşturulan farklı YSA yapıları verimlilik fonksiyonları perspektifinde karşılaştırılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Gelişen teknoloji ile yüksek veri işleme kapasitesine sahip yeni yöntem ve metotlar bilgisayar sistemlerini de içerecek şekilde ortaya çıkmakta ve farklı bilim dalları arasındaki etkileşim ile de paylaşılmaktadır.
📊
Key Findings & Data:Endüstri Mühendisliği ve Matematik Problemleri çözümünde kullanılan Yapay Sinir Ağlar (YSA)’lar son çeyrek asırda finansal problemler için de pratik ve esnek bir araç olarak tercih edilmektedir.
💡
Conclusion & Impact:Bu çalışmadatahsili gecikmiş alacaklar için yapay sinir ağı yapısı; açıklayıcı değişkenler olarak dolar ve avronun, BIST100 endeksinin ve sanayi üretim endeksinin aylık getirileri son 10 yıllık dönemdeki veriler kullanılarak oluşturulmuş ve oluşturulan farklı YSA yapıları verimlilik fonksiyonları perspektifinde karşılaştırılmıştır.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Yapay Sinir Ağları · Tahsili Gecikmiş Alacaklar · Banka

Özet

Gelişen teknoloji ile yüksek veri işleme kapasitesine sahip yeni yöntem ve metotlar bilgisayar sistemlerini de içerecek şekilde ortaya çıkmakta ve farklı bilim dalları arasındaki etkileşim ile de paylaşılmaktadır. Endüstri Mühendisliği ve Matematik Problemleri çözümünde kullanılan Yapay Sinir Ağlar (YSA)’lar son çeyrek asırda finansal problemler için de pratik ve esnek bir araç olarak tercih edilmektedir. Hem finansal politikaları belirleyen ve krizler için öncü bir gösterge; hem de bankaların kendi iç performanslarını belirleyen bir değişken olarak tahsili gecikmiş alacaklar finans dünyası için dikkatle takip edilen önemli bir değişkendir. Bu çalışmadatahsili gecikmiş alacaklar için yapay sinir ağı yapısı; açıklayıcı değişkenler olarak dolar ve avronun, BIST100 endeksinin ve sanayi üretim endeksinin aylık getirileri son 10 yıllık dönemdeki veriler kullanılarak oluşturulmuş ve oluşturulan farklı YSA yapıları verimlilik fonksiyonları perspektifinde karşılaştırılmıştır.

🔖

Cite This Article

Karahanoğlu, İ. (2016). YAPAY SİNİR AĞLARI YÖNTEMİ İLE BANKALARIN TAHSİLİ GECİKMİŞ ALACAKLARININ TAHMİNİ. Dumlupınar Üniversitesi İİBF Dergisi, Cilt: DUMLUPINAR ÜNİVERSİTESİ İİBF ULUSLARARASI YÖNETİM, EKONOMİ ve SİYASET DERGİSİ Sayı: 1, 29–43. https://ajindex.com/articles/1612594

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (31)

  1. AKSOY, A.Ş. (1998), Yeni Sağ, Kamu Yönetimi ve Yerel Yönetim: Eleştirel Bir Yaklaşım, Çağdaş Yerel Yönetimler Dergisi, 7(1), Ocak, 3-13.
  2. AKSOY, A.Ş. (2008), Kamu Yönetiminde Değişim Üzerine Düşünceler, Bölgesel Sorunlar ve Türkiye Sorunlar-Tehditler-Fırsatlar, Edt: A.H. Aydın, S. Taş ve S. Adıgüzel, Kahramanmaraş Sütçü İmam Üniversitesi Yayını No:131, Kahramanmaraş, 195-207.
  3. AMEDİKU, S. (2006),Stress Tests of The Ghanaian BankingSector: A Var Approach. Working Paper. Bank of GhanaWp/Bog-2006/02
  4. ARSLAN, İ., SEVDA Y. (2008), Banka Kredileri Ve Enflasyon Arasındaki İlişki: Türkiye Üzerine EkonometrikBir Analiz (1983-2007),İstanbul Üniversitesi İktisat Fakültesi Ekonometri Ve İstatistik Dergisi. Ekonometri Ve İstatistik,7,88-103
  5. ÇUHADAR, M., GÜNGÖR İ.,GÖKSU A. (2009),Turizm Talebinin Yapay Sinir Ağları İle Tahmini Ve Zaman Serisi Yöntemleri İle Karşılaştırılmalı Analizi:Antalya İline Yönelik Bir Çalışma”, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Dergisi,14(1),99-114
  6. ÇİFTER, A.YILMAZERS.,ÇİFTER E.,” Analysis Of SectoralCredit Default Cycle Dependency With Wavelet Networks: Evidence From Turkey, EconomicModelling,26(6),1382-1388
  7. EFENDİGİL, T.,ÖNÜT, S., & KAHRAMAN, C. (2009), A Decision Support System For Demand Forecasting With Artificial Neural Networks AndNeuro-FuzzyModels: A Comparative Analysis, ExpertSystems With Applications,36, 6697–6707.
  8. ERİLLİ, N.A.,EĞRİOĞLUE.,YOLCUU.,ALADAĞ Ç.H.,USLU R.V.(2010), Türkiye’de Enflasyonun İleri Ve Geri Beslemeli Yapay Sinir Ağlarının Melez Yaklaşımı İle Öngörüsü”, Doğuş UniversitesiDergisi,11(1),42- 55
  9. GUPTA, M.M. (2003), Staticand Dynamics Neural Networks: From Fundementalsto Advanced Theory, John Wiley&Sons, New Jersey
  10. HAMZAÇEBİ, C.(2011), Yapay Sinir Ağları, Tahmin Amaçlı Kullanımı Matlab Ve Neursosolutions Uygulamaları, Ekin, Bursa
  11. HARRİS, T.(2013), Quantitative Credit Risk AssessmentUsing Support VectorMachines: Broad Versus Narrow Default Definitions, Expert Systems With Applications,40(11),4404-4413
  12. ISLAMOGLU, M. (2015),The Effect Of Macroeconomic Variables On Non-Performing Loan Ratio Of Publicly Traded Banks in Turkey, Wseas Transactions On Business And Economics, Volume 12, 2224-2899
  13. JANVISLOO, M. A.,JUNAINA M., TAUFIQ H. (2013),Macroeconomics Shocks And Stability in Malaysian Banking System; A Structural Var, American Journal Of Economics 2013, 3(5c): 22-28.
  14. KAYNAR, O, TASTAN S, DEMİRKOPARAN F. (2011),Yapay Sinir Ağları İle Doğalgaz Tüketim Tahmini”, Atatürk Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi.,25,463-474
  15. KHEMRAJ, T.,PASHA S. (2009),The Determinants Of Non-Performing Loans: An Econometric Case Study Of Guyana the caribbean Centre For Banking And Finance Biannual Conference On Banking And Finance, St. Augustine, Trinidad.
  16. KLEIN, N. (2013),Non-Performing Loans in Cesee: Determinants And Macroeconomic Performance Imf WorkingPaper, Wp1372
  17. LOUZIS, D.P.,VOULDIS A.T.,VASILIOS L.M. (2011),Macroeconomicand Bank Spesific Determinant Of NonPerforming Loans in Greece: A Comparative Study of Mortgage, Business and Consumer Loan Portfolio”,Journal Of Finance And Banking, 36(4),1012- 1024
  18. MESSAI, A.S. (2013), Micro And Macro Determinants Of No performing Loan, International Journal Of EconomicsAndFinancial,3,(4),852-860
  19. PODPIERA, J.,WEILL, L. (2008),Bad Luck or Bad Management? Emerging Banking Market Experience”,Journal Of Financial Stability,4, 135– 148
  20. REINHART, C., ROGOFF, K. (2010),American Economic Review, American Economic Association, 101(5), 1676-1706
  21. ŠKARICA, B.,(2014),Determinants 37 Of Non-Performing Loans in Central and Eastern European Countries. Financial Theory And Practice, 38 (1) 37-59
  22. TANG, T. C.,&CHI, L. C. (2005),Neural Networks Analysis in Business Failure Prediction Of Chinese Importers: A Between-Countries Approach, Expert Systems With Applications, 29, 244–255
  23. YÜCEMEMİS, B.,SOZER I.A.(2010),Türk Bankacılık Sektöründe Takipteki Krediler:Mukayeseli Kriz Performansı. Avrupa Araştırmaları Dergisi,18 (L2),2010
  24. SIMON, H. (1994),Neural Networks: A Comprehensive Foubdations, Macmillian College, New York
  25. TAKMA, C., ATIL H., AKSAKAL V. (2012), Çoklu Doğrusal Regresyon Ve Yapay Sinir Ağı Modellerinin Laktasyon Süt Verimlerine Uyum Yeteneklerinin Karşılaştırılması, Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, 18(6), 941-944
  26. SHAO, H.H.JU H.F.,WU C., XU J.T., LIU M.Z. (2012), Research On Commercial Bank Credit Risk Evaluation Model Based On The Integration Of TheProbability Distribution Theory and The BpNeural Network Technology.”, International Journal Of Advancements in Computing Technology, 4(22),115-124
  27. AMEDİKU, S. (2006),Stress Tests of The Ghanaian BankingSector: A Var Approach. Working Paper. Bank of GhanaWp/Bog-2006/02
  28. EFENDİGİL, T.,ÖNÜT, S., & KAHRAMAN, C. (2009), A Decision Support System For Demand Forecasting With Artificial Neural Networks AndNeuro-FuzzyModels: A Comparative Analysis, ExpertSystems With Applications,36, 6697–6707.
  29. LOUZIS, D.P.,VOULDIS A.T.,VASILIOS L.M. (2011),Macroeconomicand Bank Spesific Determinant Of NonPerforming Loans in Greece: A Comparative Study of Mortgage, Business and Consumer Loan Portfolio”,Journal Of Finance And Banking, 36(4),1012- 1024
  30. MESSAI, A.S. (2013), Micro And Macro Determinants Of No performing Loan, International Journal Of EconomicsAndFinancial,3,(4),852-860
  31. SHAO, H.H.JU H.F.,WU C., XU J.T., LIU M.Z. (2012), Research On Commercial Bank Credit Risk Evaluation Model Based On The Integration Of TheProbability Distribution Theory and The BpNeural Network Technology.”, International Journal Of Advancements in Computing Technology, 4(22),115-124