SavedAdd your journal

Journals / Anadolu Üniversitesi Sosyal Bilimler Dergisi / 2012 / Cilt: 12 - Sayı: 2

Forecasting mutual fund Net asset values using Artificial Neural Networks

Yatırım fonları net varlık değerlerinin yapay sinir ağları yöntemiyle tahmin edilmesi

Fikriye KARACAMEYDAN
Veli AKEL
Pages
87–105
Publication Date
2022-10-11
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)

Analysis results reveal that ANN method is capable of forecasting net asset values of mutual funds at a very low error level and seems to outperform regression method.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:This study aims to forecast net asset values of Turkish mutual funds using Artificial Neural Networks (ANN) method.
📊
Key Findings & Data:In order to forecast net asset values of 38 mutual funds (19 A type and 19 B type), 6 macro economic variables are used in the period of January 2001-December 2008.
💡
Conclusion & Impact:Analysis results reveal that ANN method is capable of forecasting net asset values of mutual funds at a very low error level and seems to outperform regression method.
🔬Design:Modeling & Simulation
📍Scope:2001 Verileri
⚙️Variables:Domain Parameters

Abstract

This study aims to forecast net asset values of Turkish mutual funds using Artificial Neural Networks (ANN) method. In order to forecast net asset values of 38 mutual funds (19 A type and 19 B type), 6 macro economic variables are used in the period of January 2001-December 2008. Net asset values of mutual funds have been forecasted within the frame of both ANN and regression model and forecasting performances of the methods have been compared. Analysis results reveal that ANN method is capable of forecasting net asset values of mutual funds at a very low error level and seems to outperform regression method.

Özet

Bu çalışmanın amacı, Türkiye’deki yatırım fonlarının net varlık değerlerinin, Yapay Sinir Ağları (YSA) yöntemiyle tahmin edilmesidir. Ocak 2001-Aralık 2008 döneminde, 19 adet A tipi ve 19 adet B tipi olmak üzere toplam 38 adet yatırım fonunun net varlık değerlerinin tahmin edilmesi için 6 adet makro ekonomik değişkenden yararlanılmıştır. Çalışmada yatırım fonu net varlık değeri hem YSA hem de regresyon modeli çerçevesinde öngörülmüş ve her iki yöntem için elde edilen sonuçların öngörü performansları karşılaştırılmıştır. Analiz sonuçları, yatırım fonları net varlık değerlerini tahmin etmek için geliştirilen YSA modellerinin çok düşük hata düzeyinde regresyon yönteminden daha başarılı sonuçlar verdiğini ortaya koymuştur.

🔖

Cite This Article

KARACAMEYDAN, F., AKEL, V. (2022). Forecasting mutual fund Net asset values using Artificial Neural Networks. Anadolu Üniversitesi Sosyal Bilimler Dergisi, Cilt: 12 - Sayı: 2, 87–105. https://ajindex.com/articles/438866

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (19)

  1. Abraham, A., Yuehui C., BO Y. ve Jiwen D. (2004). Time-Series Forecasting Using Flexible Neural Tree Model, Information Sciences, (174):1-17.
  2. Altan, Ş. (2008). Döviz Kuru Öngörü Performansı İçin Alternatif Bir Yaklaşım: YSA, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(2):141-160.
  3. Altay, E. ve M. H. S. (2005). Stock Market Forecasting: Artificial Neural Networks and Linear Regression Comparison in an Emerging Market, Journal of Financial Management and Analysis, 18(2):18-33.
  4. Anderson, D. ve George M. (1992). Artificial Neural Networks Technology, Kaman Science Corporation, New York, USA. Avcı, E. (2007). Forecasting Daily and Sessional Returns of the ISE-100 Index with Neural Networks Models, Doğuş Üniversitesi Dergisi, 8(2):128-142.
  5. Benli, Yasemin K. (2005). Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması, Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, (16):31-46.
  6. Chiang W.C., T. L. Urban ve G. W. Baldridge (1996). A Neural Network Approach to Mutual Fund Net Asset Value Forecasting, Omega, International Journal of Management Science, 24(2):205-215.
  7. Diler, A. İ. (2003). İMKB Ulusal-100 Endeksinin Yönünün Yapay Sinir Ağları Hata Geriye Yayma Yöntemi ile Tahmin Edilmesi, İMKB Dergisi, 25(26):65-81.
  8. Dutta, G., Pankaj J., Arnab K. ve Lha N. M. (2006). Artificial Neural Network Models for Forecasting Stock Price Index in the Bombay Stock Exchange, Journal of Emerging Market Finance, 5(3):49-61.
  9. Ertek, T.(2000).
  10. Ekonometriye Giriş, Genişletilmiş 2. Baskı, İstanbul:
  11. Beta Yayım Dağıtım. Fausett, L.(1994).
  12. Fundamentals of Neural Networks, USA: Prentice Hall. Gujarati, D. N. (2004).
  13. Basic Econometrics, New York: McGraw-Hill, Inc, 4. Edition.
  14. Hamilton, J. D. (1994).
  15. Time Series Analysis, New Jersey: Princeton University Press.
  16. Indro, D. C., C. X. Jianga, B. E. Patuwo ve G. P. Zhang (1999). Prediction Mutual Fund Performance Using Artificial Neural Networks, Omega, International Journal of Management Science, 27(3):373-380.
  17. Kaastra, I. ve Milton B. (1996). Designing a Neural Network for Forecasting Financial and Economic Time Series, Neurocomputing, (10):215-236.
  18. Kamruzzman, J., Rezaul K. B. ve Ruhul A. S. (2006). Artificial Neural Networks in Finance and Manufacturing, USA: Idea Group Publishing. Karaçor, Z. ve Alptekin, V. (2006). Finansal Krizlerin Önceden Tahmin Yoluyla Değerlendirilmesi: Türkiye Örneği, Yönetim ve Ekonomi, 13(2):237-256.
  19. Kennedy, P. (1998). A Guide to Econom