1

TÜRKİYE CUMHURİYETİ

ÇUKUROVA ÜNİVERSİTESİ

SOSYAL BİLİMLER ENSTİTÜSÜ

EKONOMETRİ ANABİLİM DALI

TÜRKİYE’DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL

RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ

Nuri KIRAÇ

YÜKSEK LİSANS TEZİ

ADANA / 2011

2

TÜRKİYE CUMHURİYETİ

ÇUKUROVA ÜNİVERSİTESİ

SOSYAL BİLİMLER ENSTİTÜSÜ

EKONOMETRİ ANABİLİM DALI

TÜRKİYE’DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL

RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ

Nuri KIRAÇ

Danışman: Doç. Dr. Süleyman Bilgin KILIÇ

YÜKSEK LİSANS TEZİ

ADANA / 2011

3

Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Müdürlüğüne;

Bu çalışma, jürimiz tarafından Ekonometri Anabilim Dalında YÜKSEK LİSANS

TEZİ olarak kabul edilmiştir.

Başkan: Doç. Dr. Süleyman Bilgin KILIÇ

(Danışman)

Üye : Doç. Dr. Fatih CİN

Üye : Yrd. Doç. Dr. Ersin KIRAL

ONAY

Yukarıdaki imzaların, adı geçen öğretim elemanlarına ait olduklarını onaylarım.

…..../…..../2011

Prof. Dr. Azmi YALÇIN

Enstitü Müdürü

Not: Bu tezde kullanılan özgün ve başka kaynaktan yapılan bildirişlerin, çizelge, şekil

ve fotoğrafların kaynak gösterilmeden kullanımı, 5846 Sayılı Fikir ve Sanat Eserleri

Kanunu’ndaki hükümlere tabidir.

iii

ÖZET

TÜRKİYE’DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL

RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ

Nuri KIRAÇ

Yüksek Lisans Tezi, Ekonometri Anabilim Dalı

Danışman: Doç. Dr. Süleyman Bilgin KILIÇ

Haziran 2011, 41 Sayfa

Mali başarısızlık bir ülkenin ekonomisine doğrudan etki eden önemli bir

faktördür. Firma sahipleri, çalışanları, müşteri ve kamu kurum ve kuruluşları firmanın

mali başarısızlığa uğramasından önemli derecede etkilenmektedirler.

Bu çalışmada bankacılık sektöründe yaşanan mali başarısızlıklar üzerinde

durulmuştur. Bankacılık sektöründe yaşanan mali başarısızlıklar ülke ekonomilerine

önemli derecede maliyetler getirmektedir. Bu nedenle bankacılık sektöründe olası mali

başarısızlıkları engelleyebilecek erken uyarı sistemleri geliştirmek önemli bir hal

almıştır.

Bu çalışmada, 1996-2000 dönemindeki finansal değişkenler(rasyolar)

kullanılarak, bankaların 2002-2009 dönemindeki finansal durumları hakkında tahmin de

bulunulmuştur.

Çalışma üç bölümden oluşmaktadır. Birinci bölümde, mali başarısızlığın/iflasın

tanımlarına ve nedenlerine yer verilmiştir. Daha sonra, bu başarısızlıkların ülke

ekonomisine etkisine ve erken uyarı sisteminin önemine değinilmiştir. Son olarak ise

literatür özetine yer verilmiştir.

İkinci bölümde, çalışma da kullanılacak olan modelin tanımına, tarihsel

gelişimine, yapısına ve işleyişine yer verilmiştir.

Son bölümde ise, uygulama da tahmin edilen modele ve bunun üzerine yapılan

yorumlara yer verilmiştir.

Anahtar Kelimeler: Bankacılık sektörü, Mali başarısızlık, Yapay sinir ağı.

iv

ABSTRACT

DETERMINATION OF FINANCIAL RISK OF THE COMMERCIAL BANKS

WHICH OPERATE IN TURKEY WITH THE APPROACH OF ARTIFICIAL

NEURAL NETWORK

Nuri KIRAÇ

Master Thesis, Department of Econometrics

Supervisor: Doç. Dr. Süleyman Bilgin KILIÇ

June 2011, 41 Pages

Financial failure is an important factor which directly affects a country’s

economy. Company owners, employees, customers and public institutions significantly

affected by the financial failure of the company.

This study focused on the financial failure in the banking sector. Financial

failures in the banking sector seriously harm to the national economies. For this reason,

it is important to develop early warning systems that could prevent potential financial

failures in the banking sector.

In this study the financial variables (ratio) during the period 1996-2000 is used

for estimating the financial conditions of banks in the period 2002-2009.

The study consists of three parts. In the first part, the financial failure/definitions

and causes of bankruptcy are presented. Then the effect of these failures to the national

economy and the importance of early warning system have been mentioned. Finally the

summary of the literature are presented.

In the second part, the definition, historical development, structure and

functioning of the model which will be used in the study are presented.

In the last section, the estimated model in the application and comments that is

made on it are presented.

Keywords : Banking sector, Financial failure, Artificial neural network.

v

ÖNSÖZ

Bu tez çalışmasında beni yönlendiren, her türlü eksikliklerimi tamamlayan ve

araştırmalarımda bana her zaman yol gösteren Danışman Hocam Doç. Dr. Süleyman

Bilgin KILIÇ’a ve eğitim hayatım boyunca maddi ve manevi desteklerini esirgemeyen

aileme sonsuz teşekkürlerimi ve saygılarımı sunarım.

İÇİNDEKİLER

vi

Sayfa

ÖZET ................................................................................................................................i

ABSTRACT ....................................................................................................................ii

ÖNSÖZ ...........................................................................................................................iii

KISALTMALAR LİSTESİ ..………………………………………………………..vi

TABLOLAR LİSTESİ ……………………...………………………………………vii

ŞEKİLLER LİSTESİ …..………………………………………………………….viii

BÖLÜM I

GİRİŞ 1

BÖLÜM II

TÜRK BANKACILIK SEKTÖRÜNDE YAŞANAN MALİ

BAŞARISIZLIKLARIN SONUÇLARI VE ERKEN UYARI SİSTEMİNİN

ÖNEMİ

2.1. Mali Başarısızlık ve İflas Tanımları ...…………………………………………….3

2.2. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlıklar …...…………….........4

2.3. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlığın Nedenleri .………........6

2.4. Mali Başarısızlık ve İflas Maliyetleri, Erken Uyarı Sistemlerinin Uygulama

Dönük Önem ve Yararları ………………………………………………...………..9

2.5. Literatür Özeti ..………………………………………………………...….….....10

2.5.1.Uluslararası Çalışmalar ….………………………………………......…….10

2.5.2.Türkiye’deki Çalışmalar .…………………………………………...……...11

BÖLÜM III

YAPAY SİNİR AĞLARI(YSA)

3.1. YSA’nın Tanımı ve Tarihsel Gelişimi …………………………………………...15

3.2. Yapay Sinir Ağları’nın Yapısı ve İşleyişi ................................................................17

3.2.1. Biyolojik Sinir Ağının Modeli .....................................................................17

3.2.2. Yapay Sinir Hücresi(Proses Elemanı) …......................................................18

3.2.3. Yapay Sinir Ağı’nın Mimarisi .....................................................................19

vii

3.2.4. Yapay Sinir Ağı Modeli’nin Oluşturulması …............................................20

3.2.5. Modelin Eğitilmesi ......................................................................................21

3.2.5.1. İleri Besleme …...............................................................................21

3.2.5.2. Geri Yayılım ...................................................................................21

3.2.5.3. Yakınsama Kriteri ...........................................................................22

3.3.Niçin Yapay Sinir Ağı? ……………………………………....…………………..23

BÖLÜM IV

UYGULAMA

4.1. Veri, Örnek ve Değişken Seçimi …..…………………………………………….25

4.2. Yapay Sinir Ağı Model Tahmin ...……….………………………………………..28

BÖLÜM V

SONUÇ 35

KAYNAKÇA ………………………………………………………...……………...36

ÖZGEÇMİŞ …………………………………..……………………………………..41

viii

KISALTMALAR LİSTESİ

BDDK: Bankacılık Düzenleme ve Denetleme Kurumu

TMSF: Tasarruf Mevduatı Sigorta Fonu

YSA: Yapay Sinir Ağı

ANOVA: Tek Değişkenli Varyans Analizi

MB: Merkez Bankası

GSYİH: Gayrisafi Yurtiçi Hasıla

T.C.: Türkiye Cumhuriyeti

ADALINE: Adaptif Lineer Nöron (Adaptive Linear Neuron)

MADALINE: Çoklu Adaptif Lineer Nöron (Multiple Adaline)

ix

TABLOLAR LİSTESİ

Sayfa

Tablo 2.1: Dünya’da Mali Sistemi Yeniden Yapılandırma Maliyetleri ...……………10

Tablo 4.1: Rasyolar ………………………………………………………………......26

Tablo 4.2: Grup Ortalamalarının Eşitlik Testi ……………………………………….27

Tablo 4.3: Düğümler Arasındaki Bağlantı Ağırlıkları ……………………………….30

Tablo 4.4: 1996-2000 Arası Banka Başarısızlık Olasılıkları ..……………………….31

Tablo 4.5: 2002-2009 Arası Banka Başarısızlık Olasılıkları ………………………...32

Tablo 4.6: Sınıflandırma Başarısı ……………………………...…………………….34

x

ŞEKİLLER LİSTESİ

Sayfa

Şekil 3.1: Biyolojik Nöronun Genel Yapısı ………………………………………….17

Şekil 3.2: Proses Elemanı …………………………………………………………….18

Şekil 3.3: Transfer Fonksiyonları …………………………………………………….18

Şekil 3.4: Yapay Sinir Ağı Modeli …………………………………………………...19

Şekil 3.5: Gizli Katman Sayısına Göre Yapay Sinir Ağı Modelleri ………...…….....20

Şekil 3.6: Oluşturulan Yapay Sinir Ağı Modeli ……………………………………...21

Şekil 3.7: Yakınsama Kriteri …………………………………………………………23

Şekil 4.1: Yapay Sinir Ağının Mimari Yapısı ………………………………………..29

Şekil 4.2: Yıllara Göre Ortalama İflas Olasılıkları …………………………………..34

BÖLÜM I

GİRİŞ

Genel anlamda finansal sıkıntı, mali başarısızlık ya da iflas, toplumun birçok

kesimini ilgilendiren oldukça önemli bir olaydır. Ekonomik sistem içinde mali

başarısızlığa uğramış firmaların sayısının artması, genel anlamda bir ekonomik krizin ve

istikrarsızlığın göstergesi olarak nitelendirilebilir.

Bu çalışmanın ilgi noktasını bankacılık sektöründe yaşanan mali başarısızlıklar

oluşturmaktadır. Dünya’da, 1980’li yılların başından itibaren bankacılık sektöründe

yaşanan mali başarısızlık olaylarının arttığı görülmektedir. Bu mali başarısızlıkların,

gelişmekte olan ülke ekonomilerine getirdiği maliyetler ve çöküntü gelişmiş ülkelere

oranla çok daha fazla olmuştur. Gelişmekte olan ülkelerde yaşanan mali başarısızlık

olayları sonucu gerçekleştirilen mali sistemi yeniden yapılandırma uygulamaları, ülke

ekonomilerine oldukça önemli maliyetler getirmiştir. Bu maliyetler sonuçta kamuya

yansımış, dolayısı ile bankacılık sektörü esas işlevi olan mali aracılık fonksiyonunu

etkin bir biçimde yerine getirerek ülke ekonomisine ve büyümeye katkıda bulunması

gerekirken, aksine ekonomik daralmaya ve üretim kaybına neden olmuştur.

Türkiye’de de diğer gelişmekte olan ülkelerde olduğu gibi, mali sistemi yeniden

yapılandırma maliyetleri oldukça yüksek düzeydedir. Türk bankacılık sisteminde mali

sistemi yeniden yapılandırma maliyetleri 2000-2001 kriz dönemi itibarı ile GSYİH’ya

oranlandığında, yaklaşık olarak %19,3’üdür.

Bu nedenle, özellikle Türkiye’de, finansal sistemin en önemli unsuru olan

bankaların düzenli olarak denetlenmesi, mali başarısızlığın önceden tahminine yönelik

analitik, nesnel ve etkin erken uyarı sistemlerinin geliştirilmesi, başarısızlıktan önce

gerekli önlemlerin alınması hayati önem taşımaktadır. Erken uyarı sistemlerinin

geliştirilmesi ve uygulanması, özellikle mali başarısızlığı önlemek konumunda olan

yöneticilere ve yetkililere oldukça önemli bilgiler sağlayacaktır. Bu çalışmada da

bankaların gerek yerinde denetimi ve gerekse uzaktan denetiminde, etkin bir araç olarak

kullanılabilecek analitik tekniklere dayalı erken uyarı sistemleri tahmin edilmiştir.

Bu nedenle, özellikle Türkiye’de, finansal sistemin en önemli unsuru olan

bankaların düzenli olarak denetlenmesi, mali başarısızlığın önceden tahminine yönelik

erken uyarı sistemlerinin geliştirilmesi, başarısızlıktan önce gerekli önlemlerin alınması

hayati önem taşımaktadır. Bu çalışmada da bankaların gerek yerinde denetimi ve

2

gerekse uzaktan denetiminde, etkin bir araç olarak kullanılabilecek analitik tekniklere

dayalı erken uyarı sistemleri tahmin edilmiştir.

Çalışmada, Türk bankacılık sektörünün kendine özgü yapısından kaynaklanan

temel finansal karakteristikler belirlenmiş ve bunlara ait skorlara dayanılarak erken

uyarı modelleri tahmin edilmiştir.

Bu çalışmanın başlangıcında Türk bankacılık sektöründe yaşanan mali

başarısızlıkların nedenlerine ve erken uyarı sistemlerinin gerekliliğine değinilmektedir.

Daha sonra çalışmada kullanılacak olan model hakkında temel bilgilere yer verilmiştir.

Son olarak ise model tahmin edilerek bunun üzerine yorumlar yapılmış ve bankacılık

sektöründe yaşanan başarısızlıkların nedenleri üzerinde tahminde bulunulmuştur.

3

BÖLÜM II

TÜRK BANKACILIK SEKTÖRÜNDE YAŞANAN MALİ

BAŞARISIZLIKLARIN SONUÇLARI VE ERKEN UYARI SİSTEMİNİN

ÖNEMİ

Bu bölümde ilk olarak iflas ya da mali başarısızlık gibi genel ifadelerin tanımına

yer verilmektedir. Daha sonra, Türk bankacılık sektöründe yaşanan mali başarısızlıklara

yer verilmiştir. Son olarak mali başarısızlığın nedenlerine, ülke ekonomisine etkisinin

ne olduğuna ve erken uyarı sisteminin önemine değinilmektedir.

2.1. Mali Başarısızlık ve İflas Tanımları

Ekonomik anlamda bir firmanın finansal sıkıntı, mali başarısızlık ya da kriz ile

karşı karşıya kalması o firmanın bu noktaya gelene kadar ki bir sürecinin sonucudur. Bu

konuda yapılan çalışmalar nesnel kriterler içermektedir. Bu çalışmaların birçoğunda

kriter olarak iflas alınmıştır. Bu bağlamda, kriz içinde bulunan/bulunmayan ya da iflas

etmiş/etmemiş kategorileri arasında birebir karşılığın olması gerekmemektedir

(Foster,1986).

Başarısızlık kavramının farklı dereceleri bulunmaktadır. Örneğin, eğer bir

işletme cari borçlarını ödeyemiyor ise teknik açıdan nakit sıkıntısı içerisinde olduğu

kabul edilir. Bu duruma göre işletmelerin vadesi gelmiş yükümlülüklerini yerine

getirememesi durumu, işletmenin teknik likiditesini kaybetmesi olarak

tanımlanmaktadır (Gönenli, 1994, s. 647 ).

Benzer olarak Dağlı (1984), bir işletmenin toplam varlıkları toplam borçlarından

fazla bile olsa, eğer vadeleri geldiğinde cari yükümlülüklerini yerine getiremiyor ise bu

işletmenin teknik olarak başarısızlığa uğradığı kabul edilir ve ortaya çıkan sorun da

nakit sıkıntısı olarak kendini gösterir demiştir.

Literatürde genel olarak, finansal sıkıntı içerisindeki firmalara mali başarısızlığın

yasal sonucu olarak adlandırılan iflas terimi kullanılmıştır.

İflas, alacaklılara borçlarının ödenmemesi, tahvil faizlerinin ve anaparasının

ödenmemesi, karşılıksız çek yazılması, firmaya kayyum atanması veya işletmenin üç yıl

üst üste zarar etmesi şeklinde tanımlanmıştır (Aktaş, 1997, s.6).

4

Mali başarısızlığın en son evresi olan iflas, Türk Ticaret Kanunu ve İcra İflas

Kanunu’na göre bir şirketin borçlarını ödeyemeyecek duruma düşmesi olarak

tanımlanmıştır. Aynı zaman da bu maddelerde muhasebe kayıtlarında aktif ve borçlar

arasındaki farkın, şirketin borçlarını ödeyemeyeceği anlamına gelmeyeceği

belirtilmiştir.

Bu çalışmanın ilgi noktasını, Türk bankacılık sektöründe yaşanan mali

başarısızlıklar oluşturmaktadır. Bilindiği gibi, 1990’lı yıllarda bankacılık sektörünün

düzenlenmesi ve denetlenmesinde parçalı bir yapı bulunmaktaydı. Hazine Müsteşarlığı

Bankacılık Kanununun uygulanmasından, bankacılığa ilişkin ikincil düzenlemelerin

hazırlanmasına, yerinde denetimlerin gerçekleştirilmesinden bankalara yönelik idari ve

cezai yaptırımların uygulanmasına kadar sorumlu iken, Merkez Bankası da bankaların

uzaktan gözetiminden ve tasarruf mevduatını sigorta eden Tasarruf Mevduatı Sigorta

Fonu’nun (TMSF) idare ve temsilinden sorumluydu.

1999 yılında bankacılık sektörünün düzenlenmesi ve denetlenmesindeki bu

parçalı yapının ortadan kaldırılmasına ve sektöre ilişkin tek bir bağımsız denetleyici ve

düzenleyici kurumun kurulmasına karar verilmiştir. Buradaki temel amaç, düzenleme ve

denetimin etkinliğinin artırılması ve bağımsız bir karar alma mekanizmasının

oluşturulmasıdır. Bu gelişmelerin sonucu olarak, 4389 sayılı Bankacılık Kanunu ile

Haziran 1999’da Bankacılık Düzenleme Ve Denetleme Kurumu’nun (BDDK)

kurulmasına karar verilmiş ve kurum Ağustos 2000’de faaliyete geçmiştir. Bu şekilde

yapılan düzenlemeler ile bir banka BDDK tarafından yeniden yapılandırma

uygulamaları çerçevesinde TMSF’na devredilmiş ise söz konusu banka mali

başarısızlığa uğramış olarak kabul edilmiştir (www.bddk.org.tr).

Bir sonraki bölümde, Türk bankacılık sektöründe yaşanan mali

başarısızlıklardan söz edilmektedir.

2.2. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlıklar

Türk ekonomisi 1950’li yılların sonlarına doğru bir durgunluk dönemine

girmiştir. Bunun üzerine 1958 yılında istikrar programı yayınlanmış ve bu programın

bankacılık kesimi üzerindeki etkisi 1960’lı yılların hemen başında görülmüştür. 1960’lı

yıllar, çok sayıda bankanın faaliyetlerine son verdiği, tasfiyeye girdiği dönem olmuştur.

Ekonomideki bunalım ve durgunluk bankacılık sektörüne de yansımıştır (Akgüç, 1989,

s.51).

5

Kısa sürede çok sayıda bankanın faaliyetini durdurması üzerine 06.12.1960 gün

ve 153 sayılı yasa ile tasarruf sahiplerinin haklarını güvence altına almak için bir

Bankalar Tasfiye Fonu oluşturulmuştur. Bu fonun amacı Maliye Bakanlığı’nca

haklarında tedrici tasfiye kararı verilen bankaların kesin ve nihai açıklarını

karşılamaktır.

1960-1968 dönemine kadar Bankaların Fon’a yatırdıkları tutar ile Fon’dan

yapılan ödemeler arasındaki tutar MB tarafından karşılanmıştır. Merkez Bankası’nın bu

amaçla açtığı avansların sürekli artış göstermesi üzerine 1979 yılında 28 sayılı Kanun

Hükmünde Kararname ile Bankalar Tasfiye Fon’unun statüsünde köklü değişiklikler

yapılmış ve bir nevi tasarruf mevduatı sigorta fonu oluşturulmuştur ( Kılıç, 2003, s.7).

1982-1983 yılları arasında faiz oranları ile ilgili olarak rekabet içine giren

bankalar önemli bunalım yaşamışlardır. Bunun sonucu olarak Hisarbank, İstanbul

Bankası, Ortadoğu İktisat Bankası zorunlu olarak Ziraat Bankası’na devredilmiştir.

Ayrıca söz konusu bankaların her türlü yükümlülüklerinden kaynaklanacak borçların

Ziraat Bankası güvencesi altında olduğu belirtilmiştir. Ancak Ziraat Bankası’nın

yapacağı bu ödemeleri TMSF tarafından karşılanması gerekirken TMSF bu konuda

ödeme yapmamıştır ve sonuç olarak bu ödemeler hazine tarafından karşılanmıştır.

Türkiye’de 1997-2002 yılları arasında çok sayıda banka TMSF bünyesine

devredilmiştir. Ege Bank, Yurtbank, Yaşarbank, Bank Kapital, ve Ulusal Bank

Sümerbank bünyesine, İnterbank ve Esbank Etibank bünyesine, EGS Bank

Bayındırbank bünyesine alınmıştır. Ayrıca fon bünyesindeki dört banka (Bank Ekpress,

Sümerbank(birleşik), Demirbank ve Sitebank) ise yerli ve yabancı yatırımcılara satış

işlemi gerçekleştirilmiştir.

Toprak Bank, 30.09.2002 tarihinde Bayındırbank ile birleştirilmiştir. Daha sonra

Bayındırbank 07.12.2005 tarihinde TMSF’nun almış olduğu karar ile Birleşik Fon

Bankası olarak değişikliğe uğramıştır.

Türkiye İmar Bankası, Bankacılık Kanunu’nun 14.maddesinin 3.fıkrası

gereğince, istenen tedbirlerin kısmen ya da tamamen alınmadığı ve yükümlülüklerin

vadesinde yerine getirilmemesi sebebiyle 3 Temmuz 2003 tarihinde BDDK tarafından

Tasarruf Mevduatı Sigorta Fonu’na devredilerek etkinliğine son verildi.

Pamukbank ise bankanın rehabilitasyon faaliyetlerine tabi tutulması ve sisteme

geri kazandırılması çalışmaları kapsamında, Pamukbank’ın satış süreci başlatılmış ve

bankanın tüm aktif ve pasifleri ile bilanço dışı yükümlülüklerinin Halk Bankası’na

6

devrini öngören 5230 Sayılı Kanun 31.07.2004 tarihinde yürürlüğe girmiştir. Bankanın

Halk Bankası’na fiili devri ise 12.11.2004 gerçekleştirilmiştir.

Bir sonraki bölümde Türk bankacılık sektöründe yaşanan mali başarısızlıkların

nedenleri üzerinde durulmaktadır.

2.3. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlığın Nedenleri

Banka sektöründeki mali başarısızlıkların birçok nedeni vardır. Bu nedenlerin

bir kısmı bankacılık sektörünün yapısından kaynaklanırken bir kısmı da asıl neden olan

ekonomideki temel göstergelerin istikrarsızlık göstermesinden kaynaklanmaktadır.

Bankacılık sektöründeki mali başarısızlık nedenlerini Coşkun(2003) makroekonomik ve

mikroekonomik nedenler olmak üzere ikiye ayırarak şu şekilde özetlemiştir;

Makroekonomik Nedenler

Bankacılık sektöründe yaşanan sorunların temel nedeninin makroekonomik

istikrarsızlıklar olduğu düşünülmektedir. Varlık fiyatlarının özellikle gayrimenkul

fiyatlarının altüst olması, faiz oranlarındaki önemli artışlar ya da döviz kurundaki düşüş

veya süregelen durgunluk bankacılık sektörünü de etkilemektedir. Aslında belirtilen

olumsuzluklar birbiri ile ilişkilidir. Bunlara ek olarak geçiş ekonomilerinde nisbi

fiyatlardaki sert kaymalar veya sübvansiyonların kaldırılması bankacılık sektörünün

etkisinin fazla olduğu sektörlerde daha fazla hissedilecektir.

İçsel makro iktisadi bozukluklar ekonominin genişleme dönemlerinde de

görülebilir. Bankalar bu dönemlerde iyimser havanında etkisi ile yeni projelere kaynak

sağlar. Borçlanma sürecinde gayrimenkul sahiplerinin varlıklarının fiyatını yükseltince

tüketimin refah etkisi ile birçok iktisadi faaliyetin karlılığı artar. Burada belirtilmesi

gereken nokta, bankacılık sektöründe artan borçlanma ile fiyatların olması gerekenden

daha fazla artması sonucu ekonomideki dalgalanmaların artmasıdır (Latter, 1997).

Finansal sistem içerisindeki bankaların makroiktisadi şoklardan etkilenmeden

çıkmaları oldukça zordur. Ancak bazı bankalar ciddi iktisadi şoklardan bile zarar

görmeden çıkabilmiştir.

7

Mikroekonomik Nedenler

Bankacılık sektörünü etkileyen mikroekonomik nedenleri şu şekilde

maddeleştirebiliriz;

• Yönetim,

Yönetim hatası hiçbir zaman tek başına başarısızlık nedeni olarak gösterilemez

ancak her başarısızlıkta yönetiminde hatası bulunmaktadır.

• Yetersiz altyapı,

Bankalardaki muhasebe ve denetimdeki kusurlar problemlerin algılanmasını

geciktirebilmektedir. Yasal altyapıdaki sorunlar ise mülkiyet haklarından veya

bankaların alacaklarının gerçekleşmemesinden kaynaklanmaktadır.

• Yeniden düzenleme,

Finansal sistemdeki yeniden yapılanma iddialı olduğundan birçok soruna yol

açabilir. Bankacılık sektöründeki liberalleşme aşama aşama yapılmalıdır. Yeniden

yapılanma ise daha fazla itina gerektirdiğinden yönetimin bu hareketin doğru

gerçekleştiğinden emin olması gerekir.

• Hükümet müdahaleleri,

Bankaların vermiş olduğu kredilere ve koşullara hükümet müdahaleleri bankacılık

sektöründe nakit krizine neden olmaktadır.

• Ahlaki risk( moral hazard),

Bankaların iflas ettirilmeyeceği bilinci ile zor zamanlarda finansal destek

alacağını düşünerek hareket etmesidir. Ahlaki çöküntü, finansal sözleşme

gerçekleştirildikten sonra gerçekleşmektedir; çünkü ödünç alan, ödünç verenin bakış

açısına göre istenilmeyen aktiviteleri gerçekleştirme eğilimindedir.

Türkiye’de bankacılık sisteminin risk odaklı denetlenmesine ilişkin yasal

altyapının oluşturulması oldukça yenidir. Türkiye’de bankaların iç denetim ve risk

yönetimi sistemi BDDK tarafından, (08.02.2001 Tarih ve 24312 Sayılı Resmi Gazetede

Yayımlanan) Bankaların İç Denetim ve Risk Yönetimi Sistemleri Hakkında

Yönetmelikle düzenlenmiştir. Bu yönetmelik, bankaların, karşılaştıkları risklerin

8

izlenmesini ve kontrolünü sağlamak üzere kuracakları iç denetim sistemleri ile risk

yönetim sistemlerine ilişkin esas ve usulleri belirlemeyi amaçlamaktadır.

Yönetmelikte, bankaların temel risklerini oluşturan kredi riski, piyasa riski,

işlemin sonuçlandırılamama riski, likidite riski, operasyonel risk, mevzuata ilişkin

yetersiz bilgi riski Kılıç(2003) tarafından şu şekilde açıklanmıştır;

1) Kredi riski, banka bünyesinde belirlenen kredi limitlerinin düzenli bir şekilde

yeniden gözden geçirilmesi ve yeni limitler tesis edilmesi, senaryo analizleri ve

saptanmış bulunan kredi limitleri dikkate alınarak, maruz kalınan kredi risk tutarlarının

gözlemlenmesi faaliyetleri gerçekleştirilerek,

2) Piyasa riski, faizlerin/fiyatların dalgalanma düzeyi ve “riske maruz değer-

var” hesaplamaları gibi, kendi içinde tutarlı risk ölçü ve kriterleri kullanılarak,

kontrolün ifasına ilişkin uygun usuller tesis edilerek ve saptanmış bulunan risk

limitlerine olan uyum gözlemlenerek, banka organizasyon yapısı içinde riskin

kaynaklarının araştırılması ve öğrenilmesi ve tüm organizasyon kademelerinde piyasa

riskine ilişkin tutarlı bilginin sağlanması yoluyla,

3) İşlemin sonuçlandırılamaması riski, karşı tarafın faaliyetlerini ve ödeme

kabiliyeti limitlerini gözlemleyerek ve karşı taraf riskini ödeme öncesi süreçte

yönlendirerek,

4) Likidite riski, borçların fonlanabilme imkânının, pozisyonların likiditeleri ile

uyumlulaştırılması, değişik aktif grupları ve finansal enstrümanlara ilişkin risklerin

sınırlanması işlemleri çerçevesinde banka bünyesinde likidite bulundurma

prensiplerinin geliştirilmesi ve bunlara uyumun kontrolü suretiyle,

5) Operasyonel risk, uygun bir iç denetim sisteminin ve bunun gerektirdiği

yetkilerin banka içinde dağıtımı mekanizmasının tesisi, bankanın tüm faaliyet

sistemlerinin detaylı bir şekilde test ve kontrol edilmesi, iç ve dış sistemler arasında tam

bir uyumun tesisi, tamamen bağımsız bir yedekleme imkânının tesisi suretiyle,

6) Mevzuata ilişkin yetersiz bilgi riski, banka içindeki ve dışındaki, banka ile

ilişkili tüm kişi ve kuruluşlarla ilişkilerde, yapılacak sözleşmelerde mevzuatın tam

olarak dikkate alınması, gerekli dokümantasyonla desteklenmesi suretiyle yürütülmesi,

düzenlemelere uyulmama riski ise faaliyetlerin mevzuata uygunluğunun kontrolüne

ilişkin mekanizmanın yeterli bir şekilde tesisi ve uygulanması suretiyle yönetilir,

şeklinde ifade edilmektedir.

9

Yukarıda çalışmalardan da anlaşılacağı gibi yönetmelik, bankaların cari olarak

taşıdıkları riskler ile ileride maruz kalabilecekleri riskler için yeterli ve düzenli risk

ölçüm, kontrol ve yönetim tekniklerine sahip olmalarını zorunlu hale getirmiştir.

Bir sonraki bölümde mali başarısızlık ve iflasın ülke ekonomisine etkisinden ve

erken uyarı sisteminin öneminden bahsedilmektedir.

2.4. Mali Başarısızlık ve İflas Maliyetleri, Erken Uyarı Sistemlerinin Uygulamaya

Dönük Önem ve Yararları

Erken uyarı sistemleri özellikle firma yetkililerine mali başarısızlıkları önleme

adına önemli bilgiler sağlamaktadır. Mali başarısızlıklar oldukça maliyetli olduğundan

dolayı firmaların erken uyarı sistemlerine ihtiyaçları vardır. Bu maliyetler, doğrudan ve

dolaylı maliyetler olmak üzere ikiye ayrılmaktadır. Doğrudan maliyetler, avukatlık veya

danışmanlık hizmetleri gibi profesyonellere ödenen ücretlerdir. Dolaylı maliyetler ise

mahkemenin firmaya vermiş olduğu kısıtlama kararı ile yapılan satışlar ve kar kaybıdır.

Eğer, erken uyarı sistemi ile mali başarısızlık önceden tahmin edilebilir ise firmanın

iflası yeniden yapılanma ile önlenebilmektedir (Foster, 1986).

Altman ve McGough(1974)’e göre erken uyarı sistemleri, firma denetçilerinin

mali tablo hakkında ya da firmanın geleceği hakkında fikir yürütmelerine yardımcı

olmaktadır.

Finansal sıkıntı, kredi açanlara verilen sözler yerine getirilmediği veya ödemede

güçlükle karşılaşıldığı zaman ortaya çıkar. Finansal sıkıntı, kimi zaman firmanın iflası

anlamına gelirken kimi zaman da firmanın tehlike altında olduğu anlamına gelmektedir.

Finansal sıkıntı maliyeti iflastan kaynaklanan ya da iflastan önce çarpık işletme

kararlarından kaynaklanan maliyet olarak tanımlanmaktadır (Brealey, Myers ve Marcus;

Çevirenler: Bozkurt, Arıkan ve Doğukanlı, 1997).

Bir ekonomik sistemde, bankaların mali başarısızlığa uğraması, sistemdeki diğer

firmaların başarısızlığından çok daha maliyetli olmakta ve yıkıcı etki yaratmaktadır.

Dolayısı ile bankacılık kesimine yönelik erken uyarı sistemlerinin geliştirilmesi ve

uygulanması bu maliyetlerden kaçınma açısından oldukça önemlidir (Kılıç, 2003, s.19).

Banka iflaslarının 1980’li yıllardan itibaren artmaya başladığı görülmektedir. Bu

banka iflaslarının sadece 5’i gelişmiş ülkelerde olup geriye kalanının tamamı gelişmekte

olan ülkelerde yaşanmıştır. Aynı zaman da gelişmekte olan ülkelerde yaşanan banka

iflaslarının maliyeti gelişmiş ülkelerde yaşanan iflas maliyetlerinden oldukça fazladır.

10

Bu nedenle gelişmekte olan ülkelerde banka iflas maliyetleri ülke ekonomisini oldukça

fazla etkilemektedir.

Tablo 2.1

Dünya’da Mali Sistemi Yeniden Yapılandırma Maliyetleri

ÜLKE KRİZ DÖNEMİ MALİYET(GSYİH’NIN

YÜZDESİ)

Türkiye 2000-2001 19,3

Kamu Bankaları 7,4

TMSF Bankaları 11,9

İspanya 1977-1985 16,8

Japonya 1990 20

Endonezya 1997 51

Malezya 1997 20,5

Güney Kore 1997 26,5

Meksika 1995 20

Arjantin 1980-1982 55,3

Brezilya 1994-1996 15-20

Çek Cumhuriyeti 1994-1995 12

Kaynak:www.bddk.org.tr

Tablo 2.1’de 1994 yılından itibaren Çek Cumhuriyeti’nde, Güney Amerika

ülkelerinde, Güney Asya’da, Avrupa’da ve son olarak ülkemizde görülen bankacılık

krizleri ve bu krizlerin ülke ekonomisine maliyetler GSYİH’nın yüzdesi olarak

verilmektedir.

Ülkemizde yaşanan 2000-2001 krizi, GSYİH’nın % 19,3’lük oranı ile ülkemize

çok büyük maliyetler getirmiştir. Bu oran bize bankacılık sektöründe yaşanan mali

başarısızlıkların ülke ekonomisini ne kadar etkilediğini göstermektedir. Buda bize,

özellikle Türkiye’de finansal sistemin en önemli unsuru olan bankaların

denetlenmesinin ve mali başarısızlıkların önceden tahmin edilmesini sağlayacak erken

uyarı sistemlerinin geliştirilmesinin ne kadar önemli olduğunu göstermektedir.

2.5. Literatür Özeti

2.5.1. Uluslararası Çalışmalar

Alfaro, Garcia, Gamez ve Elizondo(2008), son yıllarda kurumsal başarısızlık

tahmini için yapay sinir ağlarının yaygın bir şekilde kullanıldığını ve kurumsal

11

başarısızlık tahminlerinde yapay sinir ağlarının doğrusal olmayan ilişkileri algılamada

daha doğru sonuçlar verdiğini öne sürmektedir. Yazarlar, Avrupa’daki bazı firmalar için

adaboost tekniği ile yapay sinir ağlarını karşılaştırmış ve yapay sinir ağlarının hata

tahmininde %30 daha başarılı olduğunu öne sürmüştür.

Min ve Lee (2005), son yıllarda makine öğrenme tekniklerinin( machine

learning techniques) geleneksel istatistik yöntemlerinden daha iyi performans

gösterdiğini ve iflas tahmininde daha açıklayıcı olması nedeniyle destek vektör

makinelerinin(support vector machines) tercih edilebileceğini öne sürmüştür. Yazarların

yapmış olduğu çalışmada destek vektör makineleri, çoklu diskriminant analizi ve

lojistik regresyon modeline göre 3 kat daha başarılı olmuştur.

Shin, Lee ve Kim (2005), iflas tahmininde destek vektör makineleri ile yapay

sinir ağlarını karşılaştırmıştır ve sonuç olarak yapay sinir ağlarının destek vektör

makinelerine göre daha iyi sonuçlar verdiğini öne sürmüştür.

Shin ve Lee (2002)’in iflas tahmini için yapmış olduğu bir çalışmada, geçmiş

finansal verileri kullanarak başarısızlık tahmini yapmanın önemli bir konu olduğunu

vurgulanmıştır. İflas tahmini ile alakalı ilk çalışmalarda çoklu diskriminant analizi, logit

ve probit gibi istatistiksel teknikler kullanılmıştır. Ancak son zamanlarda YSA’nın da

yoğun bir şekilde kullanıldığını vurgulamıştır. Ancak, yapay sinir ağları ile elde edilen

kuralların kullanıcılar tarafından algılanmasının zor olduğunu savunmaktadır. Çalışma

da, genetik algoritmanın uzmanlar tarafından daha anlaşılır sonuçlar verdiği

vurgulanmaktadır.

Yim ve Mitchell (2005), ülke risk derecelendirmesini tahmin etmede hibrid sinir

ağını kullanmış ve bu modeli geleneksel istatistiksel teknikler ve YSA modelleri ile

karşılaştırmıştır. Sonuç olarak hibrid sinir ağının diğer tüm modellerden daha iyi bir

performans gösterdiği sonucuna varmışlardır. Aynı zaman da araştırmacılar ve

politikacılar için hibrid sinir ağının ülke risk analizi için yararlı bir araç olabileceğini

öne sürmüşlerdir.

2.5.2. Türkiye’deki Çalışmalar

Canbaş ve Erol 1985 yılındaki çalışmalarında ABD’deki bankaların sorunlarını

ve özelliklerini belirleyen analizleri (Altman 1968, Sinkey 1975, 1977, 1978, 1979)

Türkiye’ye uygulayarak, Türkiye’deki bankaların sorunlarının tanımlanmasını ve

özelliklerinin saptanmasını amaçlamışlardır. Çalışmada tek değişkenli varyans analizi

12

kullanılarak örnekteki sorunlu ve sorunsuz banka gruplarının birbirinden farklı olup

olmadığının ortaya konulabileceği belirtilmiştir.

Ağaoğlu’nun 1989’da yaptığı çalışmada bankacılık sektöründe faaliyette

bulunan bankaların performansları ve taşıdıkları risk boyutları analiz edilmiştir. 1960-

1987 döneminde Türkiye’de faaliyet göstermiş 36 başarılı ve 15 başarısız banka

incelemeye alınmış ve çalışma sonucunda başarılı bankaların %94, başarısız bankaların

ise %93 oranında doğru sınıflandığı görülmüştür.

Kılıç (2003), temel bileşenler analizi ile logit, probit ve diskriminant analizlerini

kullanarak banka iflaslarını bir yıl öncesinden tahmin edebilecek bir model

geliştirmiştir. Buna benzer olarak 2006 yılında Shin ve Kılıç temel bileşenler analizi ile

sinir ağlarını kullanarak aynı konu üzerine farklı bir çalışma yapmışlardır.

Canbaş, Çabuk ve Kılıç (2005) temel bileşenler ve logit analizlerini kullanarak

25 ticari banka üzerine bir çalışma yaparak bu bankaların iflas edip-etmeme

olasılıklarını tahmin etmişlerdir.

Boyacıoğlu, Kara ve Baykan (2009); banka başarısızlıklarının bir bütün olarak

ekonomik sistemi tehdit ettiğini öne sürmüştür. Yazarlar bankaların finansal başarısızlık

tahmininin, ekonomik sistem üzerine gelen olumsuz etkileri azaltmak için önemli

olduğunu düşünmektedir. Çalışma da bir Türk bankasının batma riski çeşitli sinir ağı

teknikleri, destek vektör makineleri(support vector machines) ve çok değişkenli

istatistiksel yöntemler ile tahmin edilmeye çalışılmıştır. Sinir ağları kategorisinde; çok

katmanlı algılayıcı, rekabetçi öğrenme, kendi kendine planlama ve vektör niceleme

kullanılmıştır. Sonuç olarak, çok katmanlı algılayıcı(multi-layer perceptron) ve vektör

nicelemenin (learning vector quantization) banka başarısızlık tahmininde en başarılı

modeller olduğu görülmüştür.

Akkuş, Türkan ve Tatlıdil (2010) yapmış oldukları bir çalışmada, 2007 yılında

faaliyet gösteren ticari bankaların mali performanslarına göre gruplandırılmasında

Diskriminant Analizi ve Sıralı Lojistik Regresyon Analizi’nin birbirine yakın sonuçlar

verdiğini ancak daha az varsayımlar gerektirmesi, yorum bakımından daha avantajlı

olması, veri yapısına uygun tüm bilgiyi kullanabilme özelliğine sahip olması ve

gözlemleri gruplara atamadaki üstünlükleri dikkate alındığında Sıralı Lojistik

Regresyon Analizi’nin daha iyi sonuçlar verdiğini savunmuşlardır.

Kurtaran Çelik (2010), Türkiye’de finansal sistemin en önemli unsuru olan

bankaların finansal başarısızlıklarının öngörülmesine yönelik erken uyarı modelleri

oluşturulmasını amaçlamıştır ve bu amaç ile Diskriminant Analizi ve Yapay Sinir

13

Ağları’nı karşılaştırmıştır. Sonuç olarak bu iki yönteminde yüksek başarı sağladığı

görülmüştür.

14

BÖLÜM III

YAPAY SİNİR AĞLARI (YSA)

Bu bölüm çalışmamızın temelini oluşturan Yapay Sinir Ağları teknolojisine dair

temel bilgileri içermektedir. Yapay Sinir Ağları ya da kısaca YSA, insan beyninin

çalışma sisteminin benzetimi düşüncesi ile ortaya çıkmıştır.

Yapay zekâ, insanın zeka davranışlarının otomasyonunu araştıran, bilgilerin

saklanmasında işlenmesinde veri yapıları, algoritmalar, programlama dilleri ve

teknikleri gibi bilgi işlem yöntemleri kullanan bilgisayar biliminin bir alt dalıdır

(Akpınar, 1994, s.43).

Yapay zeka, insanlar tarafından başarılı bir şekilde gerçekleştirilen işlerin

bilgisayarlar tarafından daha iyi yapılmasını sağlamak amacıyla yapılan çalışmaları

ifade etmek için kullanılan bir terimdir (Aydın, 2000, s.2). Bu şekilde insan gibi

düşünen ve davranan sistemler oluşturulmaya çalışılmıştır. Bu doğrultuda yapay sinir

ağları çok farklı alanlarda çalışma konusu haline gelmiştir.

İlk olarak tıp alanında insan beynindeki birimlerin (nöronların) matematiksel

modellenmesiyle başlamış olan çalışmalar daha sonraki dönemlerde matematik, fizik,

mühendislik, ekonomi, finans gibi çok farklı alanlara yönelmiştir.

Yapay zeka çalışmalarının sonucunda ortaya çıkan ve bu çalışmalara katkıda

bulunan çeşitli alanlardan bir tanesi de Yapay Sinir Ağları’dır. Yapay Sinir Ağları beyin

nöronlarını taklit ederek biyolojik sinir sistemini bilgisayar ortamına aktarmaktadır. Bu

sayede girdiler ile öğrenmeyi sağlayan Yapay Sinir Ağları birçok farklı alanda

kullanıldığı gibi istatistik ve ekonomi alanında da kullanılmaktadır. Özellikle ‘Evrensel

Fonksiyon Yakınsayıcı Yöntem’ olarak tanınmalarından dolayı tahmin ve öngörü gibi

verinin içerdiği yapının tanımlanmasını gerektiren alanlarda sıkça kullanılmaktadır

(Yurtoğlu, 2005).

Bu bölümde, YSA hakkında temel ve teorik bilgilere yer verilmiştir. Bölüm 3.1’

de YSA’nın tanımlarına ve tarihsel gelişimine değinilmiştir. Bölüm 3.2’de YSA’ nın

yapısı ve işleyişi anlatılmaktadır. Bölüm 3.3’ de YSA çeşitleri verildikten sonra niçin

YSA kullanıldığına değinilmiştir. Son olarak bölüm 3.4’de niçin YSA’nın

kullanıldığına dair bilgilere yer verilmiştir.

15

3.1. Yapay Sinir Ağı’nın Tanımı ve Tarihsel Gelişimi

Yapay sinir ağları (YSA), insan beyninin bilgi işleme teknolojisinden

esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir. YSA ile basit biyolojik sinir

sisteminin çalışma şekli simüle edilir (benzetilir). Simüle edilen sinir hücrelerinin

içerdiği nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı oluştururlar. Bu ağlar

öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine

sahiptirler.

YSA, insan doğasını araştırma ve taklit etme çabalarının en son ürünlerinden bir

matematiksel yöntem olarak ortaya çıkmıştır. Bilim adamları, beynin nörofiziksel

yapısını göz önüne alarak beynin davranışlarını tam olarak modellemeye çalışmışlardır

(Ertunç, 2006).

YSA'lar, ağırlıklandırılmış şekilde birbirlerine bağlanmış birçok işlem

biriminden (nöronlar) oluşan matematiksel sistemlerdir. Bu işlem birimi, diğer

nöronlardan sinyalleri alır; bunları birleştirir, dönüştürür ve sayısal bir sonuç ortaya

çıkartır. Genel olarak, işlem birimleri gerçek nöronlara karşılık gelirler ve bir ağ içinde

birbirlerine bağlanırlar; bu yapı da sinir ağlarını oluşturmaktadır (Çakır, Ertunç ve

Ocak, 2009).

Sinirsel hesaplamanın merkezinde dağıtılmış, adaptif ve doğrusal olmayan işlem

kavramları vardır. YSA'lar, geleneksel işlemcilerden farklıdır. Geleneksel işlemcilerde,

tek bir merkezi işlem birimi her hareketi sırasıyla gerçekleştirirken YSA'lar her biri

büyük bir problemin bir parçası ile ilgilenen, çok sayıda basit işlem birimlerinden

oluşmaktadır. En basit şekilde, bir işlem birimi, bir girdiyi bir ağırlık kümesi ile

ağırlıklandırır, doğrusal olmayan bir şekilde dönüşümünü sağlar ve bir çıktı değeri

oluşturur. Sinirsel hesaplamanın gücü, toplam işlem yükünü paylaşan işlem birimlerinin

birbirleri arasındaki yoğun bağlantı yapısından gelmektedir (Yurtoğlu, 2005).

Birçok YSA'da, benzer karakteristiğe sahip nöronlar tabakalar halinde

yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar. Hemen hemen

tüm ağlar, veri alan nöronlara ve çıktı üreten nöronlara sahiptirler.

YSA'nın ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından

şekillendirilir. YSA'ların davranışları, ilk olarak nöronların transfer fonksiyonlarından,

birbirlerine nasıl bağlandıklarından ve bu bağlantıların ağırlıklarından etkilenmektedir.

Buraya kadar ki bölümde Yapay Sinir Ağları ile ilgili genel bir bilgi verilmiştir.

Ancak YSA’ları tanımlama konusunda şimdiye kadar herkes tarafından kabul edilebilir

16

bir tanım ortaya konulmamıştır. Bugüne kadar yapılan tanımlamalardan birkaç tanesini

şu şekilde sıralayabiliriz;

Yapay sinir ağları karmaşık yapıda içsel ilişkilere sahip ya da arasındaki

ilişkileri bilinmeyen problemlere çözüm bulabilmek için geliştirilen bir yapay zeka

tekniğidir (Çakar, Türker ve Toraman, 1996).

Yapay sinir ağları, çok değişkenli ve değişkenler arasındaki karmaşık karşılıklı

etkileşimin bulunduğu veya tek bir çözüm kümesinin bulunmadığı durumlarda başarılı

sonuçlar üreten bir yapay zeka teknolojisidir (Salchenberger, Çınar ve Lash, 1992).

Haykin (1999) tarafından yapılan tanımlama ise şu şekildedir:

“Bir sinir ağı, basit işlem birimlerinden oluşan, deneyimsel bilgileri biriktirmeye

yönelik doğal bir eğilimi olan ve bunların kullanılmasını sağlayan yoğun bir şekilde

paralel dağıtılmış bir işlemcidir”.

Yapay sinir ağı teknolojisinin tarihsel gelişimini şu şekilde özetleyebiliriz;

Yapay sinir ağlarının insan beynini modellemesi, dijital bilgisayarların

modellenmesi gerçeğinde de var olan insan beyni gibi işleyen makineler oluşturma

isteği ile ortaya çıkmıştır.

1943 yılında bir nörobiyolojist olan Warren McCulloch ve bir istatistikçi olan

Walter Pitts, “Sinir Aktivitesinde Düşüncelere Ait Bir Mantıksal Hesap” başlıklı bir

makale ile ilk dijital bilgisayarlara ışık tutmuştur.

1959’da Stanford Üniversitesi’nden Bernard Widrow, “ADALINE” (Adaptive

Linear Neuron) olarak adlandırılan bir adaptif lineer elemanı geliştirmiştir. Adaline ve

iki tabakalı biçimi olan “MADALINE” (Multiple Adaline) ses tanıma, hava tahmini,

karakter tanıma ve adaptif kontrol gibi çok çeşitli uygulamalar için kullanılmıştır.

Widrow, telefon hatları üzerinde yansımaları elemine etmeye yarayan adaptif filtreleri

geliştirmede, adaptif lineer eleman algoritmasını kullanmıştır. Bu çalışma ile birlikte

yapay sinir ağları ilk defa gerçek bir probleme uygulanmıştır.

Yapay sinir ağları ile ilgili 1969-1982 yılları karanlık bir dönem olarak

görülmektedir. 1969 yılında Minsky ve Papert’in yapmış olduğu çalışma ile yapının

XOR lojik problemlerine çözüm getiremediği ispatlanmıştır. Bu gelişme yapay sinir

ağlarına olan ilgiyi azaltmış ve karanlık dönemin başlangıcı olmuştur.

1987 yılında ilk yapay sinir ağları sempozyumu yapılmış ve sonrasında

uygulamalar artmaya başlamıştır.

Günümüzde bu alanda birçok araştırma grubu bulunmakta ve farklı alanlardan

farklı uygulamacılar bu konuda çalışmaktadır (Haykin, 1999).

17

3.2. Yapay Sinir Ağları’nın Yapısı ve İşleyişi

İnsan beyninin işleyişini taklit eden modellerin geniş bir sınıfında, sinir ağı

modellerinin çeşitleri vardır. Bu sınıflar aşağıdaki maddelere bağlı olarak birbirlerinden

farklılık gösterir;

• Problem türleri (Tahmin, Sınıflandırma, Gruplandırma)

• Modelin yapısı

• Model oluşturma algoritması

3.2.1.Biyolojik Sinir Ağının Modeli

Beyin, milyarlarca nörondan(sinir hücresi) oluşmaktadır. Bir nöron; çekirdek,

hücre gövdesi, akson ve dendritlerden meydana gelmektedir. Dendrit hücre çekirdeğinin

yer aldığı hücre gövdesine bağlıdır. Şekil 3.1’de de görüldüğü gibi hücre gövdesine

uzayan akson son kısmında dallara ayrılır. Bu dalların uçları, diğer nöronların

dendritlerine veya gövdesine bağlıdır. Bu bağlantı noktalarına sinaps denir. Tipik bir

hücrenin aksonu diğer hücrelerle birkaç bin bağlantı yapabilir. Böylece beyinde

yaklaşık 60 trilyon bağlantı oluşmaktadır (Bayrakçı,1997).

Şekil 3.1. Biyolojik nöronun genel yapısı

Not: http://heart.cbl.utoronto.ca/~berj/projects.html adresinden edinilmiştir.

Dendrit- Girdi sinyalleri alır.

Hücre Gövdesi- Girdi sinyalleri işler.

Akson-Girdi sinyallerini çıktı sinyallerine çevirir.

Sinaps- Nöronlar arasındaki elektrokimyasal bağlantıları sağlar.

18

3.2.2.Yapay Sinir Hücresi (Proses Elemanı)

Yapay sinir hücresi diğer bir ifade ile proses elemanı şekil 3.2’de de görüldüğü

gibi; girdiler, ağırlıklar, toplama fonksiyonu, transfer fonksiyonu ve çıktı olmak üzere

beş öğeden oluşmaktadır.

Şekil 3.2’de girdi değerler , ,…, ve ilgili ağırlıkları da , ,…,

ile adlandırılmıştır. Bu girdi değerlerinin her biri ilgili ağırlıkları ile çarpılıp toplanarak

transfer fonksiyonuna iletilmiştir. Daha sonra transfer fonksiyonu da bu girdi değerini

çıktıya dönüştürür.

I= Toplama Fonksiyonu F= Transfer Fonksiyonu

Şekil 3.2. Proses elemanı

Transfer fonksiyonu için çeşitli seçenekler vardır. Bunları şekil 3.3’de şu şekilde

görebiliriz.

Şekil 3.3. Transfer fonksiyonları

19

3.2.3.Yapay Sinir Ağı’nın Mimarisi

Ağ yapısı girdi, gizli ve çıktı katmanlarından oluşmaktadır. Ağa bilgi ve örnek

girişi girdi seti ile sonuç ise çıktı seti olarak ifade edilmektedir. Ağdaki proses elemanı,

gizli katman sayısı çözülecek problemin modellenmesine göre değişiklik göstermektedir

(Aydoğan, Çömlekçi ve Albayrak, 2000).

Şekil 3.4. Yapay sinir ağı modeli

1-Girdi Katmanı= Dışarıdan aldığı bilgileri ara katmanlara transfer eder.

2-Gizli Katman= Girdi katmanından gelen bilgileri işler ve çıktı katmanına iletir.

3-Çıktı Katmanı=Gizli katmandan gelen bilgileri işler ve dış dünyaya gönderir.

20

Şekil 3.5. Gizli katman sayısına göre yapay sinir ağı modelleri

Şekil 3.5’ de de görüldüğü gibi gizli katman sayısı sıfır, bir ya da birden fazla

olabilmektedir.

Yapay sinir ağlarında dikkat edilmesi gereken birkaç kural vardır. Bu kuralları

şu şekilde sıralayabiliriz;

• Aynı katmandaki düğümler birbirleri ile bağlantı kuramaz.

• Bir katmandaki düğümler sadece bir sonraki katmanla bağlantı kurabilir.

• Bağlantılar da katman atlanamaz.

3.2.4. Yapay Sinir Ağı Modeli’nin Oluşturulması

Oluşturulacak olan model de girdi değerleri , , , çıktı değeri Y ve model

ise Y=f( , , ) ’dir. Dolayısı ile girdi sayısı 3 ve çıktı sayısı ise 1 olarak kabul

edilmiştir.

Gizli katman ve gizli katmandaki düğüm sayısı belirli bir strateji olmadan

deneme yanılma yöntemi ile belirlenir. Yapı tanımlandıktan sonra ağırlıkları nasıl

alacağımıza karar veririz.

21

Şekil 3.6. Oluşturulan yapay sinir ağı modeli

Şekil 3.6’da, W=( , ,…, ) olmak üzere 8 tane ağırlık vardır. Eğitici

veri:(Yi,X1i,X2i,…,Xpi) i=1,2,…,n olmak üzere seçilen W ağırlıklarına göre W’nun

fonksiyonu olan ( , ,…, ) ’i tahmin ederiz. Daha sonra hata tahminini şu şekilde

minimize edebiliriz;

E=∑

3.2.5. Modelin Eğitilmesi

3.2.5.1. İleri Besleme

İleri besleme yöntemi ile modelin eğitilmesi rastgele ağırlıklar ile başlar. Daha

sonra bu yöntem ile ilk gözlem sinir ağları sistemine gönderilir ve ağırlıklar yeniden

belirlenerek hatanın azalması sağlanır. Aynı şekilde ikinci gözlemde sinir ağlarına

gönderilir ve bu şekilde bir döngü oluşturulur. Aynı şekilde ne kadar çok eğitim

döngüsü yapılırsa genel hata tahmini de o kadar azalır.

3.2.5.2. Geri Yayılım

Geri yayılım ağırlıkların nasıl ayarlanması gerektiğine karar verir. Her ağırlık

diğer ağırlıklar ile hata tahminini paylaşır. Aynı zaman da küçük bir hata küçük bir

düzenlemeyi büyük bir hata da büyük bir düzenlemeyi gerektirir. Geri yayılım da

ağırlıkların ayarlanması için kullanılan formül şu şekildedir;

22

- i tane gözlem tahmini W’nun bir fonksiyonudur. Dolayısı ile E hata tahmini

de W’nun bir fonksiyonudur. Bu bilgiler ışığında hata tahmini formülünü şu şekilde

ifade edebiliriz;

E(W)=∑( − ( ))

Eğim iniş metodu ile formülü şu şekilde yenileyebiliriz;

= + ∗( / ) , = 0 ile 1 arasında öğretici parametre

Bu formülün daha farklı varyasyonu da vardır, o da şu şekildedir;

( ) = ( )+ ∗( / ) ( )+ ∗( ( ) − ( ))

Yukarıdaki denklemde, = 0 ile 1 arasında momentum’dur.

Ağ yapısı, gizli katmana ve gizli katmanlardaki düğüm sayısına karar verir.

Öğretici parametre ve momentum rastgele ağırlıklar ile ağı eğitmeye başlar. İlk gözlem

ağa iletilir ve bu gözlem üzerinden hata tahmini yapılır. Daha sonra hata geri

gönderilerek ağırlıklar tekrardan ayarlanmaktadır. Bu şekilde tüm gözlemler ile aynı

uygulama yapılır ve yakınsama onayı alınarak eğitime son verilmektedir.

3.2.5.3.Yakınsama Kriteri

Toplam hata tahminindeki azalma küçük ve ağırlıklardaki değişiklik az ise, bu

bize ağ eğitiminin hatayı minimize ettiği noktada olduğunu göstermektedir.

Hata azalmaya devam ediyor ise bu bizim çok iyi bir eğitici veri aldığımızı

gösterir. Ancak bir noktadan sonra eğitime son verilmez ise ağ ezberlemeye başlar ve

genelleme gücünü kaybeder.

Bunu anlamı şudur; Eğitici veri setinden bir X değeri ağa gönderildiği zaman ağ

şiddetle Y değerini tahmin eder ancak daha önce hiç görmediği bir X değeri gönderilir

ise tahmin etmesi zor olur.

23

Veri seti, eğitici veri ve test edici veri olmak üzere ikiye ayrılmaktadır. Eğitici

veri, modelin yapılandırılmasında kullanılır. Test edici veriler ise modelin daha önce

görmediği veriler üzerindeki performansı test etmektedir.

Şekil 3.7. Yakınsama kriteri

Genel olarak eğitici veri üzerindeki hata azalarak devam eder ancak test

üzerindeki hata Şekil 3.7’de görüldüğü gibi bir noktaya kadar azalır ve o noktadan sonra

artarak devam eder.

3.3. Niçin Yapay Sinir Ağı?

YSA’nın hesaplama ve bilgi işleme gücünü; paralel dağılmış yapısından,

öğrenebilme ve genelleme yeteneğinden aldığı söylenebilir. Genelleme, eğitim ya da

öğrenme sürecinde karşılaşılmayan girişler için de YSA’nın uygun tepkiler üretmesi

olarak tanımlanır. Bu üstün özellikleri, YSA’nın karmaşık problemleri çözebilme

yeteneğini gösterir.

YSA; Ergezer, Dikmen ve Özdemir(2003)’e göre aşağıdaki özellikleri sebebi ile

birçok bilim dalında etkin rol oynamaktadır.

Doğrusal Olmama: YSA’nın temel işlem elemanı olan hücre, doğrusal değildir.

Dolayısıyla hücrelerin birleşmesinden meydana gelen YSA da doğrusal değildir ve bu

özelik tüm ağa yayılmış durumdadır. Bu özelliği ile YSA, doğrusal olmayan karmaşık

problemlerin çözümünde en önemli araç olmuştur.

Öğrenme: YSA’nın arzu edilen davranışı gösterebilmesi için amaca uygun

olarak ayarlanması gerekir. Bu, hücreler arasında doğru bağlantıların yapılması ve

bağlantıların uygun ağırlıklara sahip olması gerektiğini ifade eder. YSA’nın karmaşık

yapısı nedeni ile bağlantılar ve ağırlıklar önceden ayarlı olarak verilemez ya da

24

tasarlanamaz. Bu nedenle YSA, istenen davranışı gösterecek şekilde ilgilendiği

problemden aldığı eğitim örneklerini kullanarak problemi öğrenmelidir.

Genelleme: YSA ilgilendiği problemi öğrendikten sonra eğitim sırasında

karşılaşmadığı test örnekleri için de arzu edilen tepkiyi üretebilir. Örneğin, karakter

tanıma amacıyla üretilmiş bir YSA, bozuk karakter girişlerinde de doğru karakterleri

verebilir ya da bir sistemin eğitilmiş YSA modeli, eğitim sürecinde verilmeyen giriş

sinyalleri için de sistem ile aynı davranışı gösterebilir.

Uyarlanabilirlik: YSA, ilgilendiği problemdeki değişikliklere göre ağırlıkları

ayarlar. Yani, belirli bir problemi çözmek amacıyla eğitilen YSA, problemdeki

değişimlere göre tekrar eğitilebilir ve değişimler devamlı ise gerçek zamanda da eğitime

devam edilebilir. Bu özelliği ile YSA, uyarlamalı örnek tanıma, sinyal işleme, sinyal

tanıma ve denetim gibi alanlarda etkin olarak kullanılmaktadır.

Hata Toleransı: YSA, çok sayıda hücrenin çeşitli şekillerde bağlanmasından

oluştuğu için paralel dağılmış bir yapıya sahiptir ve ağın sahip olduğu bilgi, ağdaki

bütün bağlantılar üzerine dağılmış durumdadır. Bu nedenle, eğitilmiş bir YSA’nın bazı

bağlantılarının hatta bazı hücrelerinin etkisiz hale gelmesi, ağın doğru bilgi üretmesini

önemli ölçüde etkilemez. Bu nedenle, geleneksel yöntemlere göre hatayı tolere etme

yetenekleri son derece yüksektir.

İstatistiksel varsayımlardan bağımsız oluşu: YSA parametrik olmayan bir

yöntem olup tüm istatistiksel varsayımlardan bağımsızdır. Bilindiği gibi birçok

istatistiksel model katı istatistiksel varsayımlara dayanır. Örneğin, regresyon modelinin

en önemli varsayımları bağımlı değişkenin normal dağılım göstermesi, hata terimlerinin

ortalama sıfır ve sabit varyansa sahip olacak şekilde birbiri ile korelasyon göstermemesi

gerekir. Bu varsayımlar karşılanmadığı zaman tahmin edilen test istatistikleri yanlı,

tutarsız ve etkinlikten uzaktır. Dolayısı ile tahmin edilen model geçersiz olur. YSA,

parametrik olmayan bir yöntem olduğu için verilerin geldiği ana kütlenin dağılımı

hakkında varsayımlar yapmaz. Özet olarak, YSA geleneksel istatistiksel yöntemlere

göre bu yönü ile daha avantajlıdır.

25

BÖLÜM IV

UYGULAMA

4.1. Veri, Örnek ve Değişken Seçimi

Bu çalışma da 1996-2009 yılları arasında Türk bankacılık sektöründe faaliyet

gösteren ticari bankalar ele alınmıştır. Bu dönem içerisinde yıldan yıla banka sayısında

önemli değişiklikler gözlenmektedir. Bu süreç içerisinde en çok 1997 yılında 46 banka

sektörde faaliyet göstermiştir.

Türkiye Bankalar Birliği tarafından 1992 yılında, Türk bankacılık sektöründe

faaliyet gösteren her bir banka için yayınlanmaya başlayan finansal rasyolar başlangıçta

eksik olmasına rağmen zaman içerisinde daha da açıklayıcı hale gelmiştir.

1996 yılında birkaç banka için finansal rasyolar da eksiklikler söz konusu

olmuştur. 1999 ve 2000 yıllarında Türkiye Bankalar Birliği, Türk bankacılık sektöründe

faaliyet gösteren her bir banka için yılda bir kez olmak üzere 49 finansal rasyo

yayınlamıştır. Buna Tasarruf Mevduatı Sigorta Fonu’na devredilen bankalarda dahil

edilmiştir. 2002 yılından itibaren de Türkiye Bankalar Birliği her bir banka için 66

finansal rasyo yayınlamaya başlamıştır.

Sonrası için bir uyum göstermemektedir. Ancak Tablo 4.1’de, 1999-2000 ve

2002 sonrası yayınlanan rasyolar gösterilmektedir.

2001 yılı Türkiye’nin mali ve ekonomik krizlerinin yılı olmuştur. Türk lirası

oldukça değer kaybetmiş, faiz oranı ve enflasyon artmaya başlamıştır. Bu durumlar

üzerine büyük bir reform paketi bankacılık sektörünün bir parçası olarak

düzenlenmiştir. Verilerimize dâhil edilen 22 başarısız bankanın 14 tanesi 2000 yılının

son ayları ile Temmuz 2003 arasında başarısız olmuştur. Aynı zaman da 2001 yılında

finansal rasyoları Türkiye Bankalar Birliği yayınlamamıştır. Bu sebepten dolayı

çalışmamıza 2001 yılı dâhil edilmemiştir.

26

Tablo 4.1

Rasyolar Kod Rasyo kategorileri ve isimleri Kod Rasyo kategorileri ve isimleri Varlık maliyeti % Şube oranları, Milyon TL R1 Toplam Krediler / Toplam Aktifler R20 Şube Başına Toplam Aktif

R2 Takipteki Krediler (net) / Toplam Krediler

R21 Şube Başına Toplam Mevduat

R3 Duran Aktifler / Toplam Aktifler R22 Şube Başına TL Mevduat

Likidite % R23 Şube Başına YP Mevduat

R4 Likit Aktifler / Toplam Aktifler R24 Şube Başına Personel (kişi)

R5 Likit Aktifler / (Mevduat + Mevduat Dışı Kaynaklar)

R25 Şube Başına Kredi

R6 YP Likit Aktifler / YP Pasifler R26 Şube Başına Net Kar

Karlılık % Faaliyetteki Oranlar R7 Net Dönem Karı (Zararı) / Toplam

Aktifler R27 (Personel Gideri + Kıdem Tazminatı) /

Personel Sayısı (Bin YTL)

R8 Net Dönem Karı (Zararı) / Öz kaynaklar

R28 Kıdem Tazminatı / Personel Sayısı (Bin YTL)

R9 Vergi Öncesi Kar / Toplam Aktifler

R29 (Personel Gideri + Kıdem Tazminatı) / Toplam Aktifler

Gelir Gider Yapısı % R10 Faiz Gelirleri / Toplam Gelirler

R11 Faiz Gelirleri / Faiz Giderleri

R12 Faiz Dışı Gelirler / Diğer Faaliyet Giderleri

R13 Toplam Gelirler / Toplam Giderler

Sektör İçerisindeki Pay R14 Toplam Aktifler

R15 Toplam Krediler

R16 Toplam Mevduat

Toplam Varlıklar

R17 Toplam Aktifler

R18 Toplam Krediler

R19 Toplam Mevduat

27

Bu çalışma da banka başarısızlık tahmini için en uygun finansal oranlar, tek

değişkenli varyans analizi(ANOVA) ile belirlenmiştir. ANOVA testine ait yokluk

hipotezi herhangi bir rasyoya ait ortalama için iflas eden ve iflas etmeyen bankalar

arasında bir fark yoktur hipotezini ileri sürer. Yapılan ANOVA testi sonucunda 29

rasyonun 18 tanesine ait ortalama %5 ve 11 tanesine ait ortalama da %1 anlamlılık

düzeyinde, istatistiksel olarak birbirinden farklı çıkmıştır. Diğer bir ifade ile bu rasyolar

için %5 güven düzeyinde ANOVA testine ait yokluk hipotezi reddedilmiştir.

Her yıl için seçilen rasyoların anlamlılık seviyesi ve F istatistiğine göre ANOVA

test sonuçları Tablo 4.2‘de verilmiştir. Başarısız olan ve olmayan bankaları iyi derecede

birbirlerinden ayırt edebilecek finansal rasyolar bulunmaktadır.

Tablo 4.2 Grup Ortalamalarına Ait Eşitlik Testi

İflas Etmeyen İflas Eden Toplam Grup ortalamalarına ait eşitlik testi

Kod Ort. Std. Sapma Ort.

Std. Sapma Ort.

Std. Sapma

Wilks' Lambda F(1,215) Anlamlılık

R1 34.1036 14.6621 30.3384 13.8037 33.5657 14.5716 0.9918 1.7805 0.1835

R2 5.7667 23.1804 160.217 364.230 27.8311 147.717 0.8655 33.4078 0.0000**

R3 8.8675 9.3281 16.4104 13.2735 9.9451 10.2954 0.9340 15.2003 0.0001**

R4 44.5053 17.9357 33.7179 16.5820 42.9643 18.1115 0.9564 9.8110 0.0020**

R5 56.8031 28.9613 32.6135 17.9779 53.3474 28.9007 0.9138 20.2758 0.0000**

R6 45.4642 21.3907 25.9413 16.4373 42.6753 21.8244 0.9016 23.4751 0.0000**

R7 3.4737 4.1249 -31.8493 44.9519 -1.5724 21.1828 0.6579 111.780 0.0000**

R8 40.3776 135.732 -464.725 2512.25 -31.779 961.121 0.9660 7.5616 0.0065**

R9 4.7863 5.1964 -31.5578 45.1532 -0.4058 21.6515 0.6534 114.058 0.0000**

R10 100.604 21.2771 60.4223 265.402 94.8643 101.830 0.9808 4.1986 0.0417*

R11 239.405 345.099 116.362 62.6488 221.828 323.124 0.9822 3.9048 0.0494*

R12 -0.3365 123.079 -47.3023 114.7195 -7.0459 122.774 0.9820 3.9412 0.0484*

R13 131.984 37.1055 68.0839 53.0882 122.855 45.5298 0.7577 68.7581 0.0000**

R14 2.2697 3.3797 0.9579 0.7894 2.0823 3.1751 0.9790 4.6115 0.0329*

28

Tablo 4.2 (Devamı) R15 2.2337 3.3960 0.8852 0.8878 2.0410 3.1954 0.9781 4.8152 0.0293*

R16 2.3573 3.8761 1.3202 0.9174 2.2092 3.6217 0.9899 2.1909 0.1403

R17 6.5566 10.2492 11.3657 16.4547 7.2436 11.4202 0.9782 4.7948 0.0296*

R18 6.8147 11.4505 16.0254 29.7893 8.1306 15.6838 0.9576 9.5259 0.0023**

R19 6.8158 11.5265 10.6503 13.4050 7.3636 11.8557 0.9871 2.8028 0.0956

R20 110.839 257.948 50.4794 38.1760 102.216 240.080 0.9922 1.6849 0.1957

R21 62.8361 169.369 47.1761 35.9900 60.5990 157.413 0.9988 0.2621 0.6092

R22 20.6444 56.9123 23.8176 25.7226 21.0977 53.5470 0.9996 0.0929 0.7608

R23 42.1918 117.309 23.3586 14.6471 39.5013 108.903 0.9963 0.7939 0.3739

R24 36.1951 98.7178 22.4984 7.6157 34.2384 91.5299 0.9972 0.5939 0.4418

R25 35.8399 91.8582 12.9239 8.8547 32.5662 85.4542 0.9912 1.9190 0.1674

R26 4.2098 14.8976 -15.932 23.0329 1.3323 17.7110 0.8409 40.6825 0.0000**

R27 53.1214 25.9585 56.7137 12.9024 53.6346 24.5325 0.9974 0.5686 0.4516

R28 1.3451 1.8359 1.3076 1.4451 1.3397 1.7824 0.9999 0.0117 0.9140

R29 2.5742 2.0631 3.4525 2.3327 2.6997 2.1204 0.9789 4.6354 0.0324*

* ve ** ifadeleri sırasıyla %5 ve %1 anlamlılık düzeylerini göstermektedir

4.2. Yapay Sinir Ağı Model Tahmini

Yapay sinir ağı modelinde girdi olarak kullanacağımız rasyolar, başarısız olan ve

olmayan bankaları iyi derecede ayırt edebilme yeteneğine sahip olan rasyolardan

oluşmaktadır. Bu çalışmada girdi olarak kullanacağımız rasyoların anlamlılık seviyesi

%1 olarak belirlenmiştir. Tablo 4.2 ‘de de görüldüğü gibi %1 anlamlılık düzeyine sahip

olan 11 tane rasyo bulunmaktadır.

Şekil 4.1’deki yapay sinir ağı mimarisinde görüldüğü gibi gizli katmanda 4 tane

düğüm bulunmaktadır. Aynı zaman da her bir düğüm arasındaki bağlantıyı sağlayan

toplam 58 tane ağırlık bulunmaktadır.

Şekil 4.1’deki yapay sinir ağı mimarisinde gizli katmandaki aktivasyon

fonksiyonu hiperbolik tanjant ve çıktı katmanında ki aktivasyon fonksiyonu softmax

olarak belirlenmiştir.

29

Şekil 4.1. Yapay sinir ağının mimari yapısı

Sinaptik Ağırlık > 0 Sinaptik Ağırlık < 0

Tablo 4.3’te her bir düğüm arasındaki bağlantıların ağırlıkları verilmiştir;

İflas=1

İflas=0

H(1:4)

H(1:3)

Hata

H(1:1)

H(1:2)

r26

r18

r13

r9

r8

r7

r6

r5

r4

r3

r2

Hata

30

Tablo 4.3

Düğümler Arasındaki Bağlantı Ağırlıkları

Tahmin Edici

Tahmin

Gizli Katman 1 Çıktı Katmanı

H(1:1) H(1:2) H(1:3) H(1:4) [iflas=0] [iflas=1]

Girdi Katmanı

(Hata) ,280 -4,459 -1,009 -,850

r2 -,691 ,930 ,457 -,092

r3 2,428 -,605 -1,549 1,516

r4 1,935 ,601 ,192 1,410

r5 -,616 -,266 -,979 2,335

r6 -,419 -2,255 -,189 -,907

r7 ,594 -,996 -1,151 ,105

r8 1,864 -,761 -,473 ,662

r9 ,909 -1,392 -,542 -,052

r13 -1,186 -,133 -2,269 -,012

r18 ,456 1,988 ,324 3,041

r26 -,215 -1,118 -,200 -,124

Gizli Katman 1

(Hata) ,420 -,210

H(1:1) -2,182 2,074

H(1:2) -3,137 3,603

H(1:3) -1,569 ,822

H(1:4) 2,434 -2,457

Tablo 4.4’te YSA modeli ile elde edilen 1996-2000 yılları arasındaki bankaların

başarısızlık olasılıkları ve her bir bankanın yıllara göre başarısız olma olasılıklarının

ortalaması verilmiştir.

Aynı zaman da Tablo 4.4’te çalışma aralığımız olan 1996-2009 yılları arasında

iflasa uğramış olan bankaların isimleri ve iflas etme tarihlerine yer verilmiştir.

Ayrıca Tablo 4.4’te genel ortalama, iflas eden bankaların ortalaması ve iflas

etmeyen bankaların ortalamasına da yer verilmiştir.

31

Tablo 4.4

1996-2000 Arası Banka Başarısızlık Olasılıkları BANKA İFLAS 1996 1997 1998 1999 2000 ORT. Adabank A.Ş. - 0,0383 0,0253 0,0296 0,0001 0,0000 0,0187 Akbank T.A.Ş. - 0,0000 0,0001 0,0000 0,0000 0,0000 0,0000 Alternatif Bank A.Ş. - 0,0001 0,1838 0,2425 0,0007 0,0163 0,0887 Anadolubank A.Ş. - YOK 0,0000 0,0000 0,0016 0,0005 0,0005 Arap Türk Bankası A.Ş. - 0,0000 0,0016 0,0001 0,0000 0,0000 0,0003 Denizbank A.Ş. - YOK 0,0016 0,1222 0,0264 0,0781 0,0571 Fiba Bank A.Ş. - 0,0000 0,0001 0,0002 0,0000 0,0000 0,0001 Finans Bank A.Ş. - 0,0001 0,0154 0,0048 0,0004 0,0045 0,0050 HSBC Bank A.Ş. - 0,0000 0,0000 0,0002 0,0000 0,0000 0,0000 Koçbank A.Ş. - 0,0000 0,0003 0,0002 0,0001 0,3352 0,0672 MNG Bank A.Ş. - 0,0000 0,0000 0,0000 0,0020 0,0339 0,0072 Osmanlı Bankası A.Ş. - 0,0001 0,0014 0,0001 0,0001 0,0001 0,0003 Oyak Bank A.Ş. - 0,0000 0,0006 0,0021 0,0259 0,2879 0,0633 Şekerbank T.A.Ş. - 0,0051 0,0037 0,0402 0,0822 0,3431 0,0948 Tekstil Bankası A.Ş. - 0,0002 0,0003 0,0004 0,1432 0,0002 0,0289 Türk Dış Ticaret Bankası A.Ş. - 0,0001 0,0004 0,0000 0,0000 0,0003 0,0002 Türk Ekonomi Bankası A.Ş. - 0,0006 0,0028 0,0017 0,0001 0,0010 0,0012 Turkish Bank A.Ş. - 0,2236 0,0162 0,0001 0,0001 0,0000 0,0480 T.C. Ziraat Bankası - 0,0000 0,0017 0,0001 0,0000 0,0001 0,0004 Türkiye Garanti Bankası A.Ş. - 0,0186 0,0008 0,0005 0,0002 0,0001 0,0040 Türkiye Halk Bankası A.Ş. - 0,0073 0,0094 0,0114 0,0108 0,0116 0,0101 Türkiye İş Bankası A.Ş. - 0,0000 0,0003 0,0029 0,0000 0,0001 0,0007 Türkiye Vakıflar Bankası T.A.O. - 0,0002 0,0001 0,0000 0,0000 0,0001 0,0001 Yapı ve Kredi Bankası A.Ş. - 0,0038 0,0008 0,0093 0,0011 0,0001 0,0030 Bank Ekspres A.Ş. Aralık 1998 0,1596 0,1364 0,9976 YOK YOK 0,4312 Bank Kapital Türk A.Ş. Ekim 2000 0,0008 0,0130 0,0089 0,0319 0,9996 0,2109 Bayındırbank A.Ş. Temmuz 2001 0,1626 0,0573 0,0013 0,0851 0,1870 0,0987 Demirbank T.A.Ş. Kasım 2000 0,0920 0,1910 0,0582 0,1388 0,9151 0,2790 Ege Giyim Sanayicileri Bankası A.Ş. Temmuz 2001 0,0002 0,0032 0,0123 0,0257 0,9361 0,1955 Egebank A.Ş. Kasım 1999 0,0096 0,0032 0,9815 0,9998 YOK 0,4985 Eskişehir Bankası T.A.Ş. Kasım 1999 0,1109 0,0203 0,9996 0,9998 YOK 0,5326 Etibank A.Ş. Ekim 2000 0,0258 0,0000 0,2603 0,3248 1,0000 0,3222 İktisat Bankası T.A.Ş. Mart 2001 0,0002 0,0005 0,0022 0,0072 1,0000 0,2020 Interbank Ocak 1999 0,0110 0,0124 0,9991 1,0000 YOK 0,5056 Kentbank A.Ş. Temmuz 2001 0,0055 0,0014 0,0028 0,2240 0,4315 0,1330 Milli Aydın Bankası T.A.Ş. Temmuz 2001 0,0041 0,0050 0,1456 0,2261 0,9589 0,2679 Pamukbank T.A.Ş. Haziran 2002 0,0151 0,0116 0,0110 0,0174 0,0377 0,0185 Sitebank A.Ş. Temmuz 2001 0,0000 0,0000 0,0004 0,0555 0,9712 0,2054 Sümerbank A.Ş. Aralık 1999 0,3723 0,1830 0,9824 1,0000 YOK 0,6344 Toprakbank A.Ş. Kasım 2001 0,0006 0,0018 0,0042 0,0582 0,1681 0,0466 Türk Ticaret Bankası A.Ş. Aralık 1997 0,5037 0,9509 YOK YOK YOK 0,7273

32

Tablo 4.4 (Devamı)

Türkiye Emlak Bankası A.Ş. Temmuz 2001 0,0001 0,0371 0,0003 0,0004 0,9999 0,2075

Türkiye İmar Bankası T.A.Ş. Temmuz 2003 0,1499 0,0291 0,0310 0,0139 0,0280 0,0504

Türkiye Tütüncüler Bankası Yaşarbank A.Ş.

Aralık 1999 0,0118 0,0109 0,9994 1,0000 YOK 0,5055

Ulusal Bank T.A.Ş. Şubat 2001 0,0000 0,0000 0,0000 0,0000 0,9810 0,1962 Yurt Ticaret ve Kredi Bankası A.Ş. Aralık 1999 0,0113 0,0118 0,9997 0,9999 0,5056 ORTALAMA 0,0442 0,0423 0,1770 0,1705 0,2823 0,1581 ORTALAMA(İFLAS ETMEYEN)

0,0210 0,0131 0,0194 0,0006 0,0001 0,0108

ORTALAMA(İFLAS EDEN)

0,0749 0,0764 0,3570 0,3604 0,6867 0,3079

Tablo 4.5’te YSA modeli ile elde edilen 2002-2009 yılları arasındaki bankaların

başarısızlık olasılıkları ve her bir bankanın başarısız olma olasılıklarının ortalaması şu

şekilde gösterilmektedir;

Tablo 4.5

2002-2009 Arası Banka Başarısızlık Olasılıkları BANKA 2002 2003 2004 2005 2006 2007 2008 2009 ORT.

T.C.Ziraat

Bankası A.Ş. 0,0022 0,0002 0,0001 0,0002 0,0002 0,0002 0,0017 0,0002 0,0006 Türkiye Halk

Bankası A.Ş. 0,0037 0,0011 0,0022 0,0027 0,0005 0,0004 0,0027 0,0002 0,0017 Türkiye

Vakıflar Bank.

T.A.O. 0,1284 0,0086 0,0005 0,0001 0,0003 0,0003 0,0019 0,0002 0,0175 Adabank A.Ş. 0,0000 0,0000 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 Akbank

T.A.Ş. 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0014 0,0001 0,0002 Alternatif

Bank A.Ş. 0,0916 0,0089 0,0010 0,0006 0,0006 0,0002 0,0004 0,0002 0,0129 Anadolubank

A.Ş. 0,0079 0,0029 0,0004 0,0020 0,0027 0,0009 0,0008 0,0002 0,0022 Şekerbank

T.A.Ş. 0,0129 0,0019 0,0001 0,0002 0,0001 0,0002 0,0010 0,0002 0,0021

33

Tablo 4.5 (Devamı) Tekstil Bankası

A.Ş. 0,0019 0,0120 0,0015 0,0031 0,0013 0,0032 0,0044 0,0006 0,0035 Turkish Bank A.Ş. 0,0000 0,0000 0,0000 0,0004 0,0000 0,0001 0,0009 0,0008 0,0003 Türk Ekonomi

Bankası A.Ş 0,0058 0,0027 0,0011 0,0005 0,0013 0,0028 0,0028 0,0008 0,0022 Türkiye Garanti

Bankası A.Ş. 0,3416 0,1761 0,0078 0,0002 0,0003 0,0001 0,0014 0,0000 0,0660 Türkiye İş Bankası

A.Ş. 0,0001 0,0000 0,0000 0,0000 0,0000 0,0003 0,0003 0,0001 0,0001 Yapı ve Kredi

Bankası A.Ş. 0,0023 0,0067 0,0018 0,0568 0,0036 0,0046 0,0013 0,0001 0,0096 Arap Türk Bankası

A.Ş. 0,0001 0,0002 0,0002 0,0441 0,0117 0,0689 0,0015 0,0001 0,0159 Citibank A.Ş. 0,0002 0,0002 0,0002 0,0001 0,0004 0,0002 0,0002 0,0001 0,0002 Denizbank A.Ş. 0,0128 0,0003 0,0018 0,0003 0,0002 0,0021 0,0011 0,0001 0,0023 Deutsche Bank

A.Ş. 0,0000 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 Eurobank Tekfen

A.Ş. 0,0249 0,0206 0,0113 0,1209 0,0015 0,0027 0,0156 0,0010 0,0248 Finans Bank A.Ş. 0,0032 0,0004 0,0002 0,0001 0,0001 0,0003 0,0021 0,0002 0,0008 Fortis Bank A.Ş. 0,0008 0,0020 0,0009 0,0017 0,0017 0,0016 0,0018 0,0015 0,0015 HSBC Bank A.Ş. 0,0001 0,0001 0,0001 0,0001 0,0006 0,0004 0,0005 0,0001 0,0003 ING Bank A.Ş. 0,2075 0,0066 0,0016 0,0008 0,0052 0,0084 0,0059 0,0016 0,0297 Millennium Bank

A.Ş. 0,0000 0,0000 0,0434 0,1600 0,0443 0,0190 0,0125 0,0220 0,0377 Turkland Bank

A.Ş. 0,0002 0,0001 0,0002 0,0013 0,0185 0,0135 0,0108 0,0032 0,0060 ORTALAMA 0,0339 0,0101 0,0031 0,0158 0,0038 0,0052 0,0029 0,0013 0,0095

Tablo 4.6’da görüldüğü gibi yapay sinir ağı modeli eğitim sürecinde, başarılı

olan bankaların %100’ünü tahmin etmiştir. Aynı zaman da başarısız olan bankaların ise

%77,4’ünü doğru tahmin etmiştir.

Tablo 4.6’da görüldüğü gibi yapay sinir ağı modeli test sürecinde ise başarılı olan

bankaların tamamını doğru tahmin ederek %100’lük bir başarı göstermiştir.

34

Tablo 4.6

Sınıflandırma Başarısı

Örnek Gözlem

Tahmin

0 1 Doğruluk Yüzdesi

Eğitim 0 186 0 100,0%

1 7 24 77,4%

Toplam Yüzde 88,9% 11,1% 96,8%

Test 0 200 0 100,0%

1 0 0 ,0% Toplam Yüzde 100,0% ,0% 100,0%

Şekil 4.2, 1996-2009 yılları arasında yapay sinir ağı modelince tahmin edilen banka

başarısızlık olasılıklarını göstermektedir. Finansal sistemi ve özellikle bankaları daha

da dikkatli inceleyerek 2001 krizinden sonra yapılandırılan ekonomik ve finansal

önlemler bu alanda önemli bir şans olarak görülmektedir.

Şekil 4.2’den de anlaşılacağı üzere, Türkiye’de makroekonomik koşulların

kötüleşmesine, işsizlik, enflasyon, dünyayı saran küresel mali kriz ve son yıllarda ki

istikrarsız siyasi ortama rağmen ticari bankaların başarısızlık riskinden oldukça uzak

olduğu görülmüştür.

Şekil 4.2. Yıllara göre ortalama iflas olasılıkları

0

0,1

0,2

0,3

0,4

0,5

0,6

1996 1997 1998 1999 2000 2002 2003 2004 2005 2006 2007 2008 2009

Ortalama İflas ortalaması İflas etmeyenlerin ortalaması

35

BÖLÜM V

SONUÇ

Bu çalışma ile karar vericilerin bankalar üzerine yapılan araştırmaları takip

ederek, bankaların finansal durumlarındaki değişiklikler hakkında önemli bilgilere sahip

olabilecekleri görülmektedir. Aynı zamanda finansal rasyolar kullanılarak gelişmiş

bilgilere ulaşılabildiği görülmüştür. Dolayısıyla erken uyarı sistemlerinin, bankaların iç

yönetimi ve banka denetim kurumları için önemli bir parça haline gelebileceği

görülmüştür.

Ekonomik koşulların bankaların başarısızlık olasılığını etkilediği görülmektedir.

Banka krizleri; makroekonomik ortamın zayıf, büyümenin az ve enflasyonun yüksek

olduğu dönemlerde meydana gelmektedir. Buna ek olarak, yüksek reel faiz oranlarının

da bankacılık sektöründe sistematik sorunlara sebep olduğu görülmektedir (Demirgüç-

Kunt ve Detragiache, 1998). Aynı zaman da (Hutchison ve McDill, 1999), moral hazard

sorununun da bankaların başarısız olma olasılığını arttırdığını belirtmiştir.

Yukarıdaki makroekonomik sorunların tümü Türkiye de 1994-2003 yılları

arasında 25 bankanın başarısız olmasına neden olmuştur. Bu nedenle, Türkiye de

olumsuz makroekonomik koşulların bankaların başarısız olmasına önemli bir sebep

olduğu görülmektedir. Bu olumsuz makroekonomik koşullar ve olumsuz küresel finans

ortamının banka başarısızlık olasılığını arttırdığı söylenebilir. Buna rağmen, Türkiye de

2003 yılından sonra hiçbir banka başarısız olmayarak tüm bu olumsuzluklara karşı

ayakta kalabilmiştir.

36

KAYNAKÇA

Ağaoğlu, A. (1989). Türkiye’de banka işletmelerinin ekonomik analizi ve gelişme

eğilimleri. Yayımlanmamış Doktora tezi, Ankara Üniversitesi, Ankara..

Akgüç, Ö. (1989). Yüz soruda türkiye’de bankacılık. Gerçek Yayınevi 2. Baskı,

İstanbul.

Akkuş, Ö, Türkan, S. ve Tatlıdil, H. (2010). Sıralı bağımlı değişken modeli ve

diskriminant analizi’nin ticari bankaların mali performanslarına göre

sınıflandırılmasında kullanımı. Süleyman Demirel Üniversitesi İ.İ.B.F

Dergisi, C.15,S.2, 319-332.

Akpınar, H. (1994). Yapay sinir ağları gelişim ve yapılarının incelenmesi. İstanbul

Üniversitesi İşletme Fakültesi Dergisi, 23 (1), 41-74.

Aktaş, R . (1997). Mali başarısızlık (işletme riski) tahmin modelleri. İş Bankası Kültür

Yayınları, Doğuş Matbaacılık. İstanbul.

Alam, P., Booth, L.K. and Thordarson, T. (2000). The use of fuzzy clustering algorithm

and self-organizing neural networks for identifying potentially failing

banks: an experimental study. Expert Systems with Applications 18, 185-

199.

Alfaro, E., Garcia, N., Gamez, M. ve Elizondo ,D. (2008). Bankruptcy forecasting:An

ampirical comparison of adaboost and neural networks original research

article. Decision Support Systems, Volume 45, Issue 1, 110-122.

Altman, E.I., ve McGough, T.P. (1974). Evoluation of a company as a going concern.

The Journal of Accountancy, December, 50-57.

Aydoğan, T., Çömlekçi, S. ve Albayrak, M. (2000). Yapay sinir ağlarında öğrenme

yeteneğinin uygulanması. Süleyman Demirel Üniversitesi, Fen Bilimleri

Enstitüsü Dergisi, 4 (1), 5-10.

Aydın, Y.S. (2000). Visual prolog ile programlama. Sistem Yayıncılık, Yayın No:253,

s.337, İstanbul.

BDDK, (2010). Bankacılık Düzenleme ve Denetleme Kurumu Tarihçesi.

http://www.bddk.org.tr/WebSitesi/turkce/Kurum_Bilgileri/Kurum_Bilgil

eri.aspx, Erişim Tarihi 15 Temmuz 2010.

Banking Regulation and Supervision Agency (2003). Banking sector restructuring

program (BRSA). Progress Report, 23.

37

Bayrakçı, A. O. (1997). Hisse senedi fiyatının tahmininde yapay sinir ağı yaklaşımı.

Yayımlanmamış Yüksek lisans tezi. Osmangazi Üniversitesi, Eskişehir.

Brealey, R., A., Myers, S., ve Marcus, A. (1997). İşletme finansının temelleri.

Çevirenler:Bozkurt, Ü., Arıkan, T., ve Doğukanlı, H., Literatür

Yayıncılık.

Boyacioglu M. A., Kara Y., 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 ınsurance fund (SDIF) transferred banks in turkey original

research article. Expert Systems with Applications, Volume 36, Issue 2,

Part 2, 3355-3366.

Büyüköztürk, S. (2002). Sosyal bilimler için veri analizi el kitabı, PegemA Yayıncılık,

Ankara.

Canbaş, S., ve Erol, C. (1985). Türkiye’de ticaret bankaları sorunlarının saptanması:

erken uyarı sistemine giriş. Türkiye Ekonomisi ve Türk Ekonomi İlmi,

Sayı: 1, Marmara Üniversitesi Türkiye Ekonomisi Araştırma Merkezi,

İstanbul.

Canbaş, S., Çabuk, A. and Kılıç, 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.

Cole, R., A. and Gunther, J. W. (1998). Predicting bank failures: A comparison of on-

and off-site monitoring systems. Journal of Financial Services Research,

13 (2), 103-117.

Çakar, T., Türker, A. K. ve Toraman, A. (1996). İmalat sistemlerinin tasarlanmasında

yapay sinirsel ağların kullanılması. Birinci Ulusal Zeki İmalat Sistemleri

Sempozyumu ZİS’da Sunulan Bildiri,10s.

Çakır, Ş.,Ertunç, H.M ve Ocak, H. (2009). Yapay sinir ağları kullanılarak karbonat

kayalarındaki dokunun tanımlanmasına bir örnek: Akveren formasyonu.

Uygulamalı Yerbilimleri, Sayı:2, 71-79.

Coşkun, M. N. (2003). Gelişmekte olan ülkelerde bankacılık krizleri, Gazi Üniversitesi

İktisat Bölümü, 3-4, Ankara.

Dağlı, H. (1994). İşletme başarısızlıkları ve alınması gereken önlemler. Verimlilik

Dergisi. MPM Yayınları, Sayı:1.

38

Demirgüç-Kunt, A. and Detragiache, E. (1998). The determinants of banking crises in

developing and developed countries. IMF Staff Papers, 45 (1).

Ergezer, H., Dikmen, H. ve Özdemir, H. (2003). Yapay sinir ağları ve tanıma sistemleri.

PİVOLKA, 2 (6), 14-17.

Ertunç, H. M. (2006). Prediction of the pool boiling criticial heat flux using artificial

neural network, IEEE Transactions on Components and Packaging

Technologies, Vol.29, No.4,770-777.

Foster, G. (1986). Financial statament analysis. Prentice Hall International Editions.

Gönenli, A. (1994). İşletmelerde finansal yönetim. İşletme Fakültesi, İstanbul.

Haykin, S. (1999). Neural networks a comprehensive foundation. Prentice Hall

Internation, Inc.

Hutchison, M. and McDill, K. (1999). Are all banking crises alike? The Japanese

experience in international comparison. NBER Working Paper. 7253.

Jo, H. and Han, I. (1996). Integration of case-based forecasting, neural network, and

discriminant analysis for bankruptcy prediction. Expert Systems with

Applications, 11, 415-422.

Keasey, K. and McGuinness, P. (1990). The failure of UK industrial firms for the period

1976-1984, logistic analysis and entropy measures. Journal of Business

Finance and Accounting, 17, (1), 119-135.

Kılıç, S. B. (2003). Mali başarısızlık tahmininde çok değişkenli istatistiksel yöntemlerin

ve çok kriterli analize dayalı bir modelin kullanılması: Türk bankacılık

sisteminde bir uygulama (Using multivariate statistical methods and a

model of multicriteria analysis in predicting financial failure: An

application in the Turkish banking sector. Unpublished Ph.D. thesis.

Çukurova University, Adana.

Kolari, J., Glennon, D., Shin, H. and Caputo, M. (2002). Predicting large US

commercial bank failures. Journal of Economics & Business, 54, 361-

387.

Kurtaran Çelik, M. (2010). Bankaların finansal başarısızlıklarının geleneksel ve yeni

yöntemlerle öngörüsü. Yönetim ve Ekonomi, cilt:17, Sayı:2, Celal Bayar

Üniversitesi İ.İ.B.F.

Kurtuluş, K. (1985). Pazarlama Araştırmaları. İstanbul Üniversitesi Yayınevi,

No:2789.

39

Lam, K.F. and Moy, J. W. (2002). Combining discriminant methods in solving

classification problems in two-group discriminant analysis. European

Journal of Operational Research, 138, 294-301.

Latter, T. (1997). Causes and management of banking crisis. Center for Central

Banking Studies Bank of England. No:12.

Min, J. H. ve Lee, Y-C. (2005). Bankruptcy prediction using support vector machine

with optimal choice of kernel function parameters original recearch

article. Expert System With Applications, Volume 28, Issue 4, 603-614.

Meyer, P.A. and Piffer, H.W. (1970). Prediction of bank failures. Journal of Finance,

25, 853-868.

Pantolone, C. and Platt, M.B. (1987). Predicting commercial bank failure since

deregulation. New England Economic Review, 37-47.

Özdamar, K. (2002). Paket programlar ile istatistiksel veri analizi. Kaan kitabevi.

Eskişehir.

Patır, S. (2009). Faktör analizi ile öğretim üyesi değerleme çalışması. Atatürk

Üniversitesi İİBF Dergisi, Cilt:23, Sayı:4, 69s.

Rose, P.S. and Kolari, J. W. (1985). Early warning systems as a monitoring device for

bank conditions. Quarterly Journal of Business and Economics, 24 (1),

43-60.

Salchenberger, L. M.,Çınar, M. ve Lash, N. A. (1992). Neural networks: A new tool for

predicting thrift failure. Decision Sciences, XXIII (4), 899-916.

Shannon, C.E., Weaver W. (1949). The mathematical theory of communication.

Chicago and London: University of Illinois Press.

Shin, K.S. ve Lee, Y-J. (2002). A genetic algorithm application in bankruptcy

prediction modeling original research article. Expert System with

Applications, Volume 23, Issue 3, 321-328.

Shin, K.S., Lee, T.S. ve Kim H-J. (2005). An application of support vector machines in

bankruptcy prediction model original research article. Expert System with

Applications, Volume 28, Issue 1, 127-135.

Shin, S.W. and Kılıç, S. B. (2006). Using PCA-Based neural network committee model

for early warning of bank failure. Lecture Notes in Computer Science

Book Series; Advances in Natural Computation 4221/2006, 289-292.

Shin, S.W., Lee, K.C. and Kılıç, S. B. (2006). Ensemble prediction of commercial bank

failure through diversification of ınput features. Lecture Notes in

40

Computer Science Book Series; Advances in Artificial Intelligence

4304/2006, 887-896.

Sinkey, J. (1975). A multivariate statistical analysis of the characteristics of problem

banks. Journal of Finance, 30 (1), 21-38.

Tam, K. Y. and Kiang, M. Y. (1992). Managerial applications of neural networks: The

case of bank failure predictions. Management Science, 38 (7), 926-947.

University of Toronto, (2011). Cellular Bioelectricity Laboratuar.

http://heart.cbl.utoronto.ca/~berj/projects.html, Erişim Tarihi 12 Kasım

2010.

Yim, J. ve Mitchell, H .(2005). Comparison of country risk models:hybrid neural

networks, logit models, discriminant analysis and cluster techniques

original research article. Expert System With Applications, Volume 28,

Issue 1, 137-148.

Yurtoğlu, H. (2005). Yapay sinir ağları metodolojisi ile öngörü modellemesi: bazı

makroekonomik değişkenler için Türkiye örneği. DPT Uzmanlık tezi,

Yayın No:2683, 3-4.

Zavgren, C. V. (1985). Assessing the vulnerability to failure of American industrial

firms. A logistic analysis. Journal of Business Finance and Accounting,

12 (1), 19-45.

41

ÖZGEÇMİŞ

KİŞİSEL BİLGİLER

Adı Soyadı : Nuri KIRAÇ

Doğum Tarihi : 18.11.1986

Doğum Yeri : Sivas/ Merkez

Email adresi : nuri.krc@windowslive.com

EĞİTİM DURUMU

2008-2011 : Yüksek Lisans, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü

Ekonometri Anabilim Dalı / Adana

2004-2008 : Lisans, Erciyes Üniversitesi Fen-Edebiyat Fakültesi Matematik

Bölümü / Kayseri

2000-2003 : Lise, Mersin Toroslar Lisesi / Mersin