KaydedilenlerDerginizi ekleyin

Dergiler / Doğuş Üniversitesi Dergisi / 2017 / Cilt: 18 - Sayı: 2

Yapay Sinir Ağları ile Yatırım Değerlemesi Analizi

Investment Valuation Analysis with Artificial Neural Networks

HÜSEYİN İNCE
Kadir SAYIM
SALİH ZEKİ İMAMOĞLU
NİHAT KASAP
Sayfa
85–96
DOI
—
🏛️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)

Bu modelin sonuçları geleneksel yöntemler ile karşılaştırılmıştır

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada geleneksel yatırım değerleme metotlarından olan indirgenmiş nakit akım ve net bugünkü değer modeli ile yapay sinir ağları modelinin tahmin etme özelliğinin birleştirilmesi analiz edilmiştir.
📊
Temel Bulgular & Veri:Değerleme modellerinin temel bileşenlerinden olan satış gelirleri, maliyetler, yatırım harcamaları ve bunların yıllar içerisindeki büyüme oranları sektörel dinamikler ve makroekonomik faktörlerle yakından ilişkilidir.
💡
Sonuç & Katkı:Bu modelin sonuçları geleneksel yöntemler ile karşılaştırılmıştır
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · Yatırım değerlemesi · Tahmin etme

Özet

Bu çalışmada geleneksel yatırım değerleme metotlarından olan indirgenmiş nakit akım ve net bugünkü değer modeli ile yapay sinir ağları modelinin tahmin etme özelliğinin birleştirilmesi analiz edilmiştir. Değerleme modellerinin temel bileşenlerinden olan satış gelirleri, maliyetler, yatırım harcamaları ve bunların yıllar içerisindeki büyüme oranları sektörel dinamikler ve makroekonomik faktörlerle yakından ilişkilidir. Bununla birlikte, enflasyon oranı ve döviz kurları bu bileşenlerin değişim oranlarını etkilemektedir. Dolayısıyla enflasyon oranını ve döviz kurlarını tahmin etmek değerlemenin sonucu açısından kritik bir önem taşımaktadır. Bu çalışmada Türkiye enflasyonu ve USD/TRY döviz kuru yapay sinir ağları modeli ile tahmin edilmiş ve bu değişkenler indirgenmiş nakit akım modeli içerisine yerleştirilmiştir. Bu modelin sonuçları geleneksel yöntemler ile karşılaştırılmıştır

Abstract

This paper shows that discounted cash flow and net present value, which are traditional investment valuation models, can be combined with artificial neural network model forecasting. The main inputs for the valuation models, such as revenue, costs, capital expenditure, and their growth rates, are heavily related to sector dynamics and macroeconomics. The growth rates of those inputs are related to inflation and exchange rates. Therefore, predicting inflation and exchange rates is a critical issue for the valuation output. In this paper, the Turkish economy’s inflation rate and the exchange rate of USD/TRY are forecast by artificial neural networks and implemented to the discounted cash flow model. Finally, the results are benchmarked with conventional practices.

🔖

Bu Makaleye Atıf Yap

İNCE, H., SAYIM, K., İMAMOĞLU, S. Z., KASAP, N. (2017). Yapay Sinir Ağları ile Yatırım Değerlemesi Analizi. Doğuş Üniversitesi Dergisi, Cilt: 18 - Sayı: 2, 85–96. https://ajindex.com/articles/125888

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Bailey, D.L. & Thompson, D.M. (1990). Developing neural-network applications. AI Expert, 5, 34-41
  2. Brennan, M.J. & Schwartz, E.S. (1985). Evaluating Natural Resource Investments. Journal of Business, 58, 135-157 Brigham E.F. & Houston, J.F. (2004). Fundamentals of financial management: 10th ed. Ohio, Thomson South-Western Publications Carlsson, C. & Fuller, R. (2003). A fuzzy approach to real option valuation. Fuzzy Sets and Systems, 139, 297-312
  3. Cecchetti, S. (1992). Prices during the great depression: Was the deflation of 1930- 1932 really unanticipated? American Economic Review. 82, 141-156
  4. Chen, A. & Leung, M.T. (2004). Regression neural network for error correction in foreign exchange forecasting and trading. Computers & Operations Research, 31, 1049–1068
  5. Dixit, A.K. & Pindyck, R.S. (1995). The Options Approach to Capital Investment. Harvard Business Review, May-June, 105-115
  6. Dominguez, K.M., Fair, R.C. & Shapiro, M.D. (1988). Forecasting the depression: Harvard versus Yale. American Economic Review, 78, 595-612
  7. Enke, D. & Mehdiyev, N. (2014). A hybrid neuro-fuzzy model to forecast inflation. Procedia Computer Science. 36, 254-260
  8. Garvin, M.J. & Cheeah C.Y.J. (2004). Valuation techniques for infrastructure investment decisions. Construction Management and Economics, 22, 373-383
  9. Hamzaçebi, C., Akay, D. & Kutay, F. (2009). Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting. Expert Systems with Applications, 36, 3839-3844
  10. Hu, M.Y. & Tsoukalas, C. (1999). Combining conditional volatility forecasts using neural networks: an application to the EMS exchange rates. Journal of International Financial Markets, Institutions and Money, 9, 407–422
  11. Katz, J.O. (1992). Developing neural network forecasters for trading. Technical Analysis of Stocks and Commodities, 10, 160–168
  12. Kooths, S., Mitze, T. & Ringhut, E. (2003). Inflation forecasting - a comparison between econometric methods and a computational approach based on genetic- neural fuzzy rule-bases. Computational Intelligence for Financial Engineering, 1, 183-190.
  13. Leung, M.T., Chen, A. & Daouk, H. (2000). Forecasting exchange rates using general regression neural networks.Computers & Operations Research, 27, 1093-1110
  14. Liao, S.H. & Ho, S.H. (2010). Investment project valuation based on a fuzzy binomial approach. Information Sciences, 180, 2124-2133.
  15. Lubecke, T.H., Kwok, C.C.Y., Markland, R.E. & Nam, K.D. (1998). Combining foreign exchange rate