Geri Dön

Yapay sinir ağları ile banka likidite riskinin değerlendirilmesi

Assessment of bank liquidity risk using artificial neural networks

  1. Tez No: 830060
  2. Yazar: SİNEM KÜBRA KÖSEN
  3. Danışmanlar: DOÇ. DR. İBRAHİM DEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 68

Özet

Banka likidite riski kısa vadeli yükümlülüklerini yani mevduatını nakde dönüştürememe riski olarak tanımlanmaktadır. Literatürde likidite riski oranın yapay sinir ağları kullanılarak tahmin edildiği çalışmalar mevcuttur, ancak bu hususta zaman serileri kullanılmamıştır. Bu çalışmada, zaman serileri ve yapay sinir ağları olmak üzere iki farklı yaklaşım kullanılarak bir bankaya ait likidite risk göstergesi olarak kullanılan cari oran tahmini üzerinde çalışılmış ve sonuçlar test edilmiştir. Cari oran pasifte yer alan kısa vadeli yükümlülükleri karşılayabilen, likit varlık oranını göstermektedir, kısa vadeli yükümlülüğü yerine getirme gücüdür. Araştırma kapsamında 2015 Ekim - 2021 Aralık tarihleri arasındaki banka likidite verileri kullanılmıştır. Analize girdi parametreleri bankaların yayınladığı 3 er aylık dönemlerdeki denetim raporlarında yer alan bilanço değerlerinden elde edilmiştir. Girdi parameterleri cari oranı tahmin etmede kullanıldığı için anahtar rol oynamaktadır. Zaman serileri yaklaşımında geçmişe ait girdi parametlereleri kullanılarak en güncel 6 dönem tahmin edilmiştir. Yapay sinir ağları yaklaşımında girdi parametlereleri kullanılarak cari oran tahmin edilmiştir, Verilerin bir kısmı her iki yaklaşımda da test için ayrılmıştır ve cari oran tahmininde kullanılmıştır. Zaman serileri yöntemi R değeri 0.7213, yapay sinir ağları yöntemi R değeri 0.94587 elde edilmiştir. Çıktılar yapay sinir ağlarının cari oranı daha iyi tahmin ettiği sonucunu vermiştir. Zaman serileri regresyon modeli verinin kısıtlı olması sebebiyle yapay sinir ağlarına göre daha kötü bir tahmin gerçekleştirmiştir.

Özet (Çeviri)

Bank liquidity risk is defined as the risk of not being able to convert short-term liabilities, such as deposits, into cash. There are studies in the literature where liquidity risk is predicted using artificial neural networks, but time series have not been used in this regard. In this study, two different approaches, time series and artificial neural networks, were used to work on the estimation of the current ratio, which is used as a liquidity risk indicator for a bank, and the results were tested. The current ratio shows the liquid asset ratio that covers short-term liabilities and is the ability to fulfill short-term deposits. Bank liquidity data from October 2015 to December 2021 were used in the research. Input parameters were obtained from the balance sheet values in the audit reports of the quarterly periods published by banks. Input parameters play a key role as they are used to estimate the current ratio. In the time series approach, the most up-to-date 6 periods were estimated using input parameters from the past. In the artificial neural network approach, the current ratio was estimated using input parameters. Some of the data was separated for testing in both approaches and used to estimate the current ratio. The time series method resulted in an R value of 0.7213, while the artificial neural network method resulted in an R value of 0.94587. The outputs showed that artificial neural networks provided better estimation of the current ratio. The time series regression model performed a worse estimation than artificial neural networks due to the limited data available.

Benzer Tezler

  1. Makro ekonomik göstergelerin banka karlılığı ve sermaye/aktif getirisi üzerindeki etkisinin yapay sinir ağları ile test edilmesi

    Testing the impact of macroeconomic indicators on banks' profitability and return of asset/ return of equity by using artificial neural network

    ALP ŞERBETLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    İşletmeMarmara Üniversitesi

    İşletme Bölümü

    PROF. DR. GÜREL KONURALP

  2. Enflasyonla mücadelede istikrar politikaları

    Başlık çevirisi yok

    BİLGİN ORHAN ÖRGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    EkonomiMarmara Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. OSMAN ZEKAYİ ORHAN

  3. Gelişmekte olan ülkelerin dış borç sorunu ve Türkiye'nin dış borçları

    Başlık çevirisi yok

    MUSTAFA KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1992

    Ekonomiİstanbul Üniversitesi

    Maliye Ana Bilim Dalı

    PROF.DR. ARİF NEMLİ

  4. Uluslararası dış borç krizi

    Başlık çevirisi yok

    ZUHAL AKBELEN

    Doktora

    Türkçe

    Türkçe

    1993

    EkonomiUludağ Üniversitesi
  5. Yapay sinir ağları ile banka müşterisi bekleme süresi tahmini

    Yapay sinir ağlari ile banka müşterisi bekleme süresi tahmini

    ÜMMÜ HABİBE YAZICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Endüstri ve Endüstri MühendisliğiAtatürk Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET AKTAN