KaydedilenlerDerginizi ekleyin

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

Banka İflaslarının Öngörülmesinde Eklektik Bir Yaklaşım

An Eclectic Approach to the Prediction of Bank Bankruptcies

SONER AKKOÇ
NİLÜFER DALKILIÇ
AYŞEN ALTUN ADA
Sayfa
25–39
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)

Elde edilen sonuçlar, yapay sinir ağlarının, banka iflas tahmininde etkin olarak kullanılabildiğini ve lojistik regresyon analizinin en iyi değişken seçen yöntem olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Gerek ülke ekonomileri gerekse yatırımcılar açısından büyük önem taşıyan banka iflaslarının öngörüsünde, öngörü modellerinin geliştirilmesi ve birçok değişken arasından hangisinin modellemede kullanılacağı önem arz etmektedir.
📊
Temel Bulgular & Veri:Bu çalışma, Türk bankacılık sektörünün iflas riskinin değerlendirilmesinde, diskriminant analizi, lojistik regresyon ve temel bileşen analizi yöntemleri ile temsil gücü yüksek değişkenler belirlendikten sonra, iflas öngörüsünde yapay sinir ağları kullanarak öngörü modelleri geliştirmeyi amaçlamaktadır.
💡
Sonuç & Katkı:Elde edilen sonuçlar, yapay sinir ağlarının, banka iflas tahmininde etkin olarak kullanılabildiğini ve lojistik regresyon analizinin en iyi değişken seçen yöntem olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Gerek ülke ekonomileri gerekse yatırımcılar açısından büyük önem taşıyan banka iflaslarının öngörüsünde, öngörü modellerinin geliştirilmesi ve birçok değişken arasından hangisinin modellemede kullanılacağı önem arz etmektedir. Bu çalışma, Türk bankacılık sektörünün iflas riskinin değerlendirilmesinde, diskriminant analizi, lojistik regresyon ve temel bileşen analizi yöntemleri ile temsil gücü yüksek değişkenler belirlendikten sonra, iflas öngörüsünde yapay sinir ağları kullanarak öngörü modelleri geliştirmeyi amaçlamaktadır. Elde edilen sonuçlar, yapay sinir ağlarının, banka iflas tahmininde etkin olarak kullanılabildiğini ve lojistik regresyon analizinin en iyi değişken seçen yöntem olduğunu göstermektedir.

Abstract

Developing prediction models and determining which variables among many others will be used in modelling are very important for the prediction of bank failures, which is a significant issue for both national economies and investors. This study first identifies the highly representative variables via discriminant analysis, logistic regression and principal component analysis methods for the evaluation of the failure risk of the Turkish banking sector. Then, it aims to develop prediction models for failure predictions by using artificial neural networks. Results obtained show that artificial neural networks can be used in predicting bank failures and logistic regression analysis is the best method for selecting variables.

🔖

Bu Makaleye Atıf Yap

AKKOÇ, S., DALKILIÇ, N., ADA, A. A. (2015). Banka İflaslarının Öngörülmesinde Eklektik Bir Yaklaşım. Bankacılar, Cilt: 26 - Sayı: 94, 25–39. https://ajindex.com/articles/148944

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Acar Boyacıoğlu, M., Kara, Y. (2007). Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının Karşılaştırılması. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 197-217.
  2. Acar, Boyacıoglu, M., Kara, Y. and Baykan, Ö.K. (2009). Predicting Bank Financial Failures Using Neural Networks, Support Vector Machines and Multivariate Statistical Methods: A Comparative Analysis in the Sample of Savings Deposit Insurance Fund (SDIF) Transferred Banks in Turkey. Expert Systems with Applications, 36(2), 3355-3366.
  3. Andres, J.De., Landajo, M. and Lorca, P. (2012). Bankruptcy Prediction Models Based on Multinorm Analysis: An Alternative to Accounting Ratios. Knowledge-Based Systems, 30, 67-77.
  4. Ashooria, S., Mohammadi, S. (2011). Compare Failure Prediction Models Based on Feature Selection Technique: Empirical Case from Iran. Procedia Computer Science, 3, 568–573. Bramhandkar, A. J. (1989). Discriminant Analysis: Applications In Finance. Journal of Applied Business Research, 5(2), 37-41.
  5. Canbas, S., Cabuk, A. and Kilic, S.B. (2005). Prediction of Commercial Bank Failure Via Multivariate Statistical Analysis of Financial Structures: The Turkish Case. European Journal of Operational Research, 166(2), 528-546.
  6. Chauhan, N., Ravi, V. and Chandra, D.K. (2009). Differential Evolution Trained Wavelet Neural Networks: Application to Bankruptcy Prediction in Banks. Expert Systems with Applications, 36(4). 7659-7665.
  7. Chen, L.H., Hsiao, H.D. (2008). Feature Selection to Diagnose a Business Crisis by Using a Real GABased Support Vector Machine: An Empirical Study, Expert Systems with Applications, 35(3), 1145–1155. Chen, H.L., Yang, B., Wang, G., Liu, J., X.X., Wang, S.J., and Liu, D.Y. (2011). A Novel Bankruptcy Prediction Model Based on an Adaptive Fuzzy K-Nearest Neighbor Method. Knowledge-Based Systems, 24(8), 1348-1359.
  8. Cho, S., Hong, H. and Ha., B.C. (2010). A Hybrid Approach Based on the Combination of Variable Selection Using Decision Trees and Case-Based Reasoning Using the Mahalanobis Distance: For Bankruptcy Prediction. Expert Systems with Applications, 37(4), 3482-3488.
  9. Cielen, A., Peeters, L., Vanhoof, K. (2004). Bankruptcy Prediction Using a Data Envelopment Analysis. European Journal of Operational Research, 154, 526–532. Cybenko, G. (1989). Approximation by Superpositions of a Sigmoidal Function. Mathematical Control Signals Systems, 2(4), 303–3