Dergiler / Ekonomi Politika ve Finans Araştırmaları Dergisi / 2026 / Cilt: 10 Sayı: 1

Kârlılık Tahmininde Yapay Sinir Ağları ve Panel Veri Analizinin Karşılaştırılması: Gayrimenkul Yatırım Ortaklıkları Örneği

The Comparison of Artificial Neural Networks and Panel Data Analysis on Profitability Prediction: The Case of Real Estate Investment Trusts

Ayşegül Peker(SİVAS CUMHURİYET ÜNİVERSİTESİ, SİVAS MESLEK YÜKSEKOKULU)0000-0002-2300-2178
Duygu Tunalı(ANADOLU ÜNİVERSİTESİ)0000-0002-6582-1710
Sayfa
160–183
Yayın Tarihi
2025-03-28
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca Borsa İstanbul’da (BİST) işlem gören Gayrimenkul Yatırım Ortaklıkları (GYO) firmalarının mali tablolarından oluşturulan 2010-2019 çeyrek dönemlerine ait veri setine YSA tahmin modeli uygulanmış ve elde edilen bulgular, panel veri analizi uygulanması sonucu elde edilen bulgularla karşılaştırılarak YSA tekniğinin tahmin başarısı yorumlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda makine öğrenmesi teknikleri, hesaplamadaki esneklikleri, büyük ve çeşitli veri türleriyle çalışabilmeleri ve gerçek zamanlı değişiklikleri tahmin edebilme yetenekleri nedeniyle kârlılık tahmininde ön plana çıkmıştır.
📊
Temel Bulgular & Veri:Ayrıca Borsa İstanbul’da (BİST) işlem gören Gayrimenkul Yatırım Ortaklıkları (GYO) firmalarının mali tablolarından oluşturulan 2010-2019 çeyrek dönemlerine ait veri setine YSA tahmin modeli uygulanmış ve elde edilen bulgular, panel veri analizi uygulanması sonucu elde edilen bulgularla karşılaştırılarak YSA tekniğinin tahmin başarısı yorumlanmıştır.
💡
Sonuç & Katkı:Bu değerlerin yapılan panel veri analizi bulgularıyla karşılaştırılması neticesinde, YSA tahmin modellerinin, panel veri analiz modellerine göre daha başarılı tahmin yapabildiği sonucuna ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010-2019 Verileri
⚙️Değişkenler:Karlılık Tahmini · Yapay Sinir Ağı · Panel Veri

Özet

Son yıllarda makine öğrenmesi teknikleri, hesaplamadaki esneklikleri, büyük ve çeşitli veri türleriyle çalışabilmeleri ve gerçek zamanlı değişiklikleri tahmin edebilme yetenekleri nedeniyle kârlılık tahmininde ön plana çıkmıştır. Ayrıca uygulamada kârlılığı tahmin etmek zordur ve uzmanlık gerektirir. Bu çalışmanın temel amacı, makine öğrenmesi tekniklerinden biri olan Yapay Sinir Ağları (YSA) algoritmalarını kullanarak en uygun kârlılık tahmin modelini belirlemektir. Ayrıca Borsa İstanbul’da (BİST) işlem gören Gayrimenkul Yatırım Ortaklıkları (GYO) firmalarının mali tablolarından oluşturulan 2010-2019 çeyrek dönemlerine ait veri setine YSA tahmin modeli uygulanmış ve elde edilen bulgular, panel veri analizi uygulanması sonucu elde edilen bulgularla karşılaştırılarak YSA tekniğinin tahmin başarısı yorumlanmıştır. Bu değerlerin yapılan panel veri analizi bulgularıyla karşılaştırılması neticesinde, YSA tahmin modellerinin, panel veri analiz modellerine göre daha başarılı tahmin yapabildiği sonucuna ulaşılmıştır.

Abstract

In recent years, machine learning techniques have come to the forefront for profitability forecasting due to their flexibility in computation, ability to work with large and diverse data types, and capability to predict real-time changes. In addition, predicting profitability in practice is challenging and requires expertise. The primary aim of this study is to determine the most suitable profitability prediction model using Artificial Neural Network (ANN) algorithms, one of the machine learning techniques. Furthermore, the ANN prediction model was applied to the data set for the 2010-2019 quarters created from the financial statements of Real Estate Investment Trusts (REITs) companies traded in Borsa Istanbul (BIST) and the prediction success of the ANN technique was interpreted by comparing the findings obtained with the findings obtained as a result of panel data analysis. The comparison of these values with the findings of the panel data analysis has led to the conclusion that ANN prediction models can make more successful forecasts than panel data analysis models.

🔖

Bu Makaleye Atıf Yap

Peker, A., Tunalı, D. (2025). Kârlılık Tahmininde Yapay Sinir Ağları ve Panel Veri Analizinin Karşılaştırılması: Gayrimenkul Yatırım Ortaklıkları Örneği. Ekonomi Politika ve Finans Araştırmaları Dergisi, Cilt: 10 Sayı: 1, 160–183. https://doi.org/10.30784/epfad.1602204

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (47)

  1. Adhikari, R. and Agrawal, R.K. (2013). An introductory study on time series modelling and forecasting. arXiv preprint arXiv:1302.6613. https://doi.org/10.48550/arXiv.1302.6613
  2. Aktaş, M. and Darwish, Z. (2020). Financial ratios affecting profitability of real estate investment trusts. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(4), 786-794. https://doi.org/10.29106/fesa.827033
  3. Alaameri, Z.H.O. and Faihan, M.A. (2022). Forecasting the accounting profits of the banks listed in Iraq stock exchange using artificial neural networks. Webology, 19(1), 2669-2682. https://doi.org/10.14704/WEB/V19I1/WEB19177
  4. Alaloul W.S. and Qureshi A.H. (2020). Data processing using artificial neural networks. In D.G. Harkut (Ed.), Dynamic data assimilation - Beating the uncertainties (pp. 81-106). London: IntechOpen. https://doi.org/10.5772/intechopen.91935
  5. Anderson, D. and McNeill, G. (1992). Artificial neural networks technology. Kaman Sciences Corporation, 258(6), 1-83. Retrieved from http://www.gaianxaos.com/
  6. Bakar, N.M.A. and Tahir, I.M. (2009). Applying multiple linear regression and neural network to predict bank performance. International Business Research, 2(4), 176-183. Retrieved from https://pdfs.semanticscholar.org
  7. Baltagi, B.H. (2005). Econometric analysis of panel data. (3. ed.). Chichester: Wiley.
  8. Burrell, P.R. and Folarin, B.O. (1997). The impact of neural networks in finance. Neural Computing & Applications, 6(4), 193-200. https://doi.org/10.1007/BF01501506
  9. Callen, J.L., Kwan, C.C., Yip, P.C. and Yuan, Y. (1996). Neural network forecasting of quarterly accounting earnings. International Journal of Forecasting, 12(4), 475-482. https://doi.org/10.1016/S0169-2070(96)00706-6
  10. Chai, T. and Draxler, R.R. (2014). Root mean square error (RMSE) or mean absolute error (MAE). Geoscientific Model Development Discussions, 7(1), 1525-1534. https://doi.org/10.5194/gmdd-7-1525-2014
  11. Coşkuner, A., Rençber, Ö. and Çelik, Z. (2024). The factors that affects the profitability in real estate investment trust companies: Comparison of Turkey and Malaysia. Trends in Business and Economics, 38(1), 2-11. https://doi.org/10.5152/TBE.2023.23108
  12. Csáji, B.C. (2001). Approximation with artificial neural networks (Unpublished doctoral dissertation). Faculty of Sciences, Eötvös Loránd University, Hungary.
  13. Cunha, A.M., Borges, A.P. and Ferreira, M. (2024). Do real estate investment companies profit from house price growth? Evidence from Portugal. International Journal of Housing Markets and Analysis, 17(4), 1019-1033. https://doi.org/10.1108/IJHMA-01-2023-0007
  14. Çelik, E. ve Arslanlı, K. (2020). Gayrimenkul yatırım ortalığı firmalarının piyasa değeri ve aktif kârlılığını etkileyen finansal oranların panel veri analizi yöntemiyle belirlenmesi. Muhasebe ve Finansman Dergisi, 88, 255-274. https://doi.org/10.25095/mufad.801491.
  15. Da Silva, I.N., Spatti, D.H., Flauzino, R.A., Liboni, L.H.B. and dos Reis Alves, S.F. (2017). Artificial neural network architectures and training processes. In I.N da Silva, D.H. Spatti, R.A. Flauzino, L.H.B. Liboni and S.F. dos R. Alves (Eds.), Artificial neural networks: A practical course (pp. 21-28). Springer, Cham. https://doi.org/10.1007/978-3-319-43162-8
  16. Desai, V.S. and Bharati, R. (1998). The efficacy of neural networks in predicting returns on stock and bond indices. Decision Sciences, 29(2), 405-423. https://doi.org/10.1111/j.1540-5915.1998.tb01582.x
  17. Eğrioğlu, E., Yolcu, U. and Baş, E. (2019). Yapay sinir ağları öngörü ve tahmin uygulamaları (2. Bs.). Ankara: Nobel Akademik Yayıncılık.
  18. Fernandez-Rodriguez, F., Gonzalez-Martel, C. and Sosvilla-Rivero, S. (2000). On the profitability of technical trading rules based on artificial neural networks: Evidence from the Madrid stock market. Economics Letters, 69(1), 89-94. https://doi.org/10.1016/S0165-1765(00)00270-6
  19. Heo, W., Lee, J.M., Park, N. and Grable, J.E. (2020). Using artificial neural network techniques to improve the description and prediction of household financial ratios. Journal of Behavioral and Experimental Finance, 25, 100273. https://doi.org/10.1016/j.jbef.2020.100273
  20. Ho, D.C.K., Chan, E.M.H., Yip, T.L. and Tsang, C.W. (2020). The United States’ clothing imports from Asian countries along the Belt and Road: An extended gravity trade model with application of artificial neural network. Sustainability, 12(18), 7433. https://doi.org/10.3390/su12187433
  21. Hsiao, C. (2014). Analysis of panel data (3nd ed.). New York: Cambridge University Press.
  22. Jakpar, S., Tinggi, M., Tak, A.H. and Ruzlan, N.A. (2018). Determinant factors of profitability in Malaysia’s real estate investment trusts (M-REITS). UNIMAS Review of Accounting and Finance, 2(1), 72-84. https://doi.org/10.33736/uraf.1209.2018
  23. Khalil, D.M. (2022). A comparison of time series and artificial neural network models for forecasting turkey's monthly agricultural exports to Iraq (Unpublished doctoral dissertation). Kahramanmaraş Sütçü İmam University, Kahramnamaraş, Türkiye.
  24. Kıral, G. and Çelik, C. (2020). Panel verileri ile Türkiye’de konut fiyatlarını etkileyen faktörlerin tespiti ve yapay sinir ağları yaklaşımı. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(2), 1-21. Kröse, B. and Smagt, P. (1996). An introduction to neural networks. (8nd ed.). Amsterdam: The University of Amsterdam.
  25. Kukreja, H., Bharath, N., Siddesh, C.S. and Kuldeep, S. (2016). An introduction to the artificial neural network. International Journal of Advance Research and Innovative Ideas in Education, 1, 27-30. Retrieved from https://www.ijariie.com
  26. Lado-Sestayo, R. and Vivel-Búa, M. (2020). Hotel profitability: A multilayer neural network approach. Journal of Hospitality and Tourism Technology, 11(1), 35-48. https://doi.org/10.1108/JHTT-08-2017-0072
  27. Marak, Z.R., Ambarkhane, D. and Kulkarni, A.J. (2022). Application of artificial neural network model in predicting profitability of Indian banks. International Journal of Knowledge-based and Intelligent Engineering Systems, 26(3), 159-173. https://doi.org/10.3233/KES-220020
  28. Min, J. (2020). Financial market trend forecasting and performance analysis using LSTM. arXiv preprint arXiv:2004.01502. https://doi.org/10.48550/arXiv.2004.01502
  29. Mohamad, H.H., Ibrahim, A.H. and Massoud, H.H. (2013). Assessment of the expected construction company’s net profit using neural network and multiple regression models. Ain Shams Engineering Journal, 4(3), 375-385. https://doi.org/10.1016/j.asej.2012.11.008
  30. Monteiro, M. and Costa, M. (2018). A time series model comparison for monitoring and forecasting water quality variables. Hydrology, 5(3), 37. https://doi.org/10.3390/hydrology5030037
  31. Ocakdan, P. (2019). Türkiye'deki gayrimenkul yatırım ortaklıklarının karlılık analizi (Yayımlanmamış doktora tezi). İstanbul Aydın Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
  32. Olson, D. and Mossman, C. (2003). Neural network forecasts of Canadian stock returns using accounting ratios. International Journal of Forecasting, 19(3), 453-465. https://doi.org/10.1016/S0169-2070(02)00058-4
  33. Ömürbek, V., Akçakanat, Ö. and Aksoy, E. (2019). Aktif büyüklüklerine göre değerlendirilen büyük ölçekli bankaların yapay sinir ağları ile kârlılık tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 33(2), 451-466. Öndeş, T. and Barakalı, O.C. (2023). Faiz oranlarının gayrimenkul yatırım ortaklığı karlılık oranları üzerinde etkisi. Muhasebe ve Finansman Dergisi, 97, 49-62. https://doi.org/10.25095/mufad.1184115
  34. Öztemel, E. (2020). Yapay sinir ağları. (5. Bs.). İstanbul: Papatya Yayıncılık Eğitim.
  35. Parlakkaya, R.P., Kahraman, Ü. and Cihan, Y. (2022). Katılım bankaları ile geleneksel bankaların sermaye yapılarının karşılaştırılması: Türk bankacılık sektörü üzerine bir uygulama. Akademik Yaklaşımlar Dergisi, 13(2), 479-504. https://doi.org/10.54688/ayd.1109005
  36. Pesaran, M.H. (2007). A simple panel unit root test in the presence of cross‐section dependence. Journal of Applied Econometrics, 22(2), 265-312. https://doi.org/10.1002/jae.951
  37. Saberi, M., Rostami, M. R., Hamidian, M. and Aghami, N. (2016). Forecasting the profitability in the firms listed in Tehran Stock Exchange using data envelopment analysis and artificial neural network. Advances in Mathematical Finance and Applications, 1(2), 95-104. Retrieved from https://www.ensani.ir/
  38. Schöneburg, E. (1990). Stock price prediction using neural networks: A project report. Neurocomputing, 2(1), 17-27. https://doi.org/10.1016/0925-2312(90)90013-H
  39. Shanmuganathan, S. (2016). Artificial neural network modelling: An introduction. In S. Shanmuganathan and S. Samarasinghe (Eds.), Artificial neural network modelling (pp. 1-14). Berlin: Springer.
  40. Sharma, V., Rai, S. and Dev, A. (2012). A comprehensive study of artificial neural networks. International Journal of Advanced Research in Computer Science and Software Engineering, 2(10), 278-284. Retrieved from https://:www.ijarcsse.com
  41. Sönmez, F., Zontul, M. and Bülbül, Ş. (2015). Mevduat bankalarının kârlılığının yapay sinir ağları ile tahmini: Bir yazılım modeli tasarımı. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 9(1), 9-46. Tatoğlu, Y.F. (2021). Panel veri ekonometrisi Stata uygulamalı. (6. Bs.). İstanbul: Beta Yayıncılık.
  42. Tekin, B. (2021). The factors affecting the market value/book value and profitability of REITs in Turkey. International Real Estate Review, 24(3), 469-499. Retrieved from https://papers.ssrn.com/
  43. Vukovic, D.B., Spitsina, L., Gribanova, E., Spitsin, V. and Lyzin, I. (2023). Predicting the performance of retail market firms: Regression and machine learning methods. Mathematics, 11(8), 1916. https://doi.org/10.3390/math11081916
  44. Yavuz, S. and Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187. Kıral, G. and Çelik, C. (2020). Panel verileri ile Türkiye’de konut fiyatlarını etkileyen faktörlerin tespiti ve yapay sinir ağları yaklaşımı. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11(2), 1-21.
  45. Ömürbek, V., Akçakanat, Ö. and Aksoy, E. (2019). Aktif büyüklüklerine göre değerlendirilen büyük ölçekli bankaların yapay sinir ağları ile kârlılık tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 33(2), 451-466.
  46. Sönmez, F., Zontul, M. and Bülbül, Ş. (2015). Mevduat bankalarının kârlılığının yapay sinir ağları ile tahmini: Bir yazılım modeli tasarımı. BDDK Bankacılık ve Finansal Piyasalar Dergisi, 9(1), 9-46.
  47. Yavuz, S. and Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.