KaydedilenlerDerginizi ekleyin

Dergiler / Finansal Araştırmalar ve Çalışmalar Dergisi / 2017 / Cilt: 9 - Sayı: 16

Bireysel Tüketici İhtiyaç Kredisi Talep Tahminlerinin Vektör Oto Regresyon ve Yapay Sinir Ağı Modelleri ile Karşılaştırmalı Analizi

İrfan ERTUĞRUL
Abdullah ÖZÇİL
Sayfa
19–38
Yayın Tarihi
2017-01-01
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)

Yapılan analiz sonuçlarından Yapay Sinir Ağı modelinin VektörOtoregresyon modeline göre çok daha etkin sonuçlar verdiği elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Tüketici ihtiyaçlarının sınırsızlığı ve finansman olanaklarının artması sonucu bireysel ve endüstriyelalanda kredi talebi finansal hayatın vazgeçilmez unsurlarından biri haline gelmiştir.
📊
Temel Bulgular & Veri:Çalışmanınamacı hem tüketiciler hem de finansman sağlayıcılar açısından etkin kararlar alınmasını sağlayacakbireysel ihtiyaç kredisi tahmininin uygun şekilde modellenmesidir.
💡
Sonuç & Katkı:Yapılan analiz sonuçlarından Yapay Sinir Ağı modelinin VektörOtoregresyon modeline göre çok daha etkin sonuçlar verdiği elde edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2005 Verileri
⚙️Değişkenler:Bireysel İhtiyaç Kredisi Talebi · VAR Modeli · Yapay Sinir Ağı Modeli

Özet

Tüketici ihtiyaçlarının sınırsızlığı ve finansman olanaklarının artması sonucu bireysel ve endüstriyelalanda kredi talebi finansal hayatın vazgeçilmez unsurlarından biri haline gelmiştir. Bankalar açısından diğerfinansal araçlara göre nispeten daha yüksek getiri olanağı sunan bireysel krediler daha cazip hale gelmiştir.Bu çalışmada Türkiye’deki tüketicilerin bireysel kredi ihtiyacının talebi konusu ele alınmıştır. Çalışmanınamacı hem tüketiciler hem de finansman sağlayıcılar açısından etkin kararlar alınmasını sağlayacakbireysel ihtiyaç kredisi tahmininin uygun şekilde modellenmesidir. Ocak 2005 - Kasım 2015 dönemini kapsayan131 aylık veri ile Vektör Otoregresyon (Vector Autoregression) modeli ve Yapay Sinir Ağı (ArtificialNeural Network) modeli karşılaştırılmıştır. Yapılan analiz sonuçlarından Yapay Sinir Ağı modelinin VektörOtoregresyon modeline göre çok daha etkin sonuçlar verdiği elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

ERTUĞRUL, İ., ÖZÇİL, A. (2017). Bireysel Tüketici İhtiyaç Kredisi Talep Tahminlerinin Vektör Oto Regresyon ve Yapay Sinir Ağı Modelleri ile Karşılaştırmalı Analizi. Finansal Araştırmalar ve Çalışmalar Dergisi, Cilt: 9 - Sayı: 16, 19–38. https://ajindex.com/articles/666489

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. AMARI, Shun-ichi. (1994). Neural Networks: A Review From Statistical Perspective: Comment, Statistical Science, 9(1), 31-32.
  2. AYTAÇ, Deniz. (2010). Enerji ve Ekonomik Büyüme İlişkisinin Çok Değişkenli VAR Yaklaşımı ile Tahmini, Maliye Dergisi, 158, 482-495. Bankacılık Düzenleme ve Denetleme Kurumu (2016). Türk Bankacılık Sektörü İnteraktif Aylık Bülten, http://ebulten.bddk.org.tr/ABMVC/, (Erişim Tarihi: 01.01.2016).
  3. BAYKAL, Nazife. & BEYAN, Timur. (2004). Bulanık Mantık Uzman Sistemler ve Denetleyiciler, Bıçaklar Kitabevi,
  4. Ankara.
  5. BOZKURT, Hilal Y. (2007).
  6. Zaman Serileri Analizi, Ekin Kitabevi,
  7. Bursa. CHEN, Wu. & MINGHUA, Zhang. (2012). Personal Credit Forecast Based on the Optimal Naive Bayesian Classifier. Journal of Jiangsu University of Science and Technology (Natural Science Edition), 26(4), 376-380.
  8. DAUJI, Saha., DEO, Makarand C., & BHARGAVA, Kapilesh. (2015). Prediction of Ocean Currents With Artificial Neural Networks. ISH Journal of Hydraulic Engineering, 21(1), 14-27.
  9. DALAN, Özlem. (2015). Adli Vakaların Coğrafi Bilgi Sistemleri ve Yapay Sinir Ağları ile Tahminlenmesi: İzmir İli Hırsızlık Suçları Örneği. Adli Tıp Dergisi, 30(1), 29-40.
  10. DOMINGO, Laura Montalban., FERNÁNDEZ-VILLA, Juan Antonio Villaronte., SENDRA, Claudio Masanet., & HERRÁIZ, Julia. I. Real. (2015). An Artificial Neural Network Model As A Preliminary Track Design Tool, Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 1-13.
  11. ELMAS, Çetin. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama), Seçkin Yayıncılık, Ankara.
  12. GANI, Abdullah., MOHAMMADI, Kasra., SHAMSHIRBAND, Shahaboddin., KHORASANIZADEH, Hossein., DANESH, Amir Seyed., PIRI, Jamshid., ISMAIL, Zuraini. & ZAMANI, Mazdak. (2015). Day of The Year-Based Prediction of Horizontal Global Solar Radiation By A Neural Network Auto-Regressive Model, Theoretical and Applied Climatology, 1-11.
  13. GUPTA, Sanjeev., & KASHYAP, Sachin. (2015). Forecasting Inflation in G-7 Countries: An Application of Artificial Neural Network, Foresight, 17(1), 63-73.
  14. GÜREL, Sinem Pınar. (2012). İktisadi Büyümeyi Etkileyen Dış Dinamiklerin Doğrusal Olmayan Analizi, Ege Üniversitesi,
  15. Sosyal Bilimler Enstitüsü, İktisat Anabilim Dalı, Yayınlanmamış Doktora Tezi, İzmir.
  16. GÜNAY, M. Erdem. (2016). Forecasting Annual Gross Electricity Demand by Artificial Neural Networks Using Predicted Values of Socio-Economic Indicators and Climatic Conditions: Case of Turkey, Energy Policy, 90, 92-101.
  17. HEBB, Donald Olding. (1949