Ülke Kredi Notlarının Makine Öğrenme Algoritmaları ile Tahmini

Basit Öğe Kaydı
dc.contributor.authorPabuçcu, Hakan
dc.date.accessioned2020-01-26T19:48:41Z
dc.date.available2020-01-26T19:48:41Z
dc.date.issued2019
dc.departmentBayburt Üniversitesien_US
dc.description.abstractAmaç – Bu çalışmanın temel amacı makine öğrenme algoritmalarından yapay sinir ağları, sinirsel bulanık mantık denetim ve destek vektör makinelerinin ülke kredi notu tahminindeki başarılarını araştırmaktır.Yöntem – Araştırma problemi ülkelerin kredi puanlarının tahminini bir sınıflandırma problemi olarak ele almaktadır. Seçilen değişkenler ilgili algoritmalar için girdi olarak kullanılmış ve bu algoritmaların sınıflandırma başarıları araştırılmıştır. Kullanılan veri seti ülkelere ait 2016-2018 dönemini kapsayan üç yıllık güncel verilerdir.Bulgular – Kullanılan algoritmaların parametre seçimi için çok sayıda deneme yapılmış ve uygun parametre kümeleri belirlenmeye çalışılmıştır. Araştırma sonuçlarına göre, her üç modelin de tahmin başarısı yüksek olmakla birlikte çok güçlü bir sınıflandırma algoritması olan destek vektör makineleri en iyi sonuçları üreten algoritma olmuştur.Tartışma – Tüm modellerin sınıflandırma başarısının kabul edilebilir olduğunu, kredi notu tayini için kullanılabilecek modeller olduklarını söylemek mümkündür. Örneğin Leshno ve Spector, (1996) çalışmasında YSA modelinin doğru tahmin yüzdesi %72 olarak, Mohapatra, De, ve Ratha, (2010) çalışmasında %75 olarak, Blanco ve diğerleri (2013) çalışmasında ise %92,4 olarak gerçekleşmiştir. Literatürdeki çalışmalarla karşılaştırıldığında analiz sonuçlarının başarılı olduğu görülmektedir.en_US
dc.description.abstractPurpose – The main objective of this study is to investigate the success of artificial neural networks, adaptive neuro fuzzy inference system and support vector machines in sovereign credit rating estimation.Design/methodology/approach – The research problem addresses the estimation of countries' credit scores as a classification problem. Selected variables were used as input for mentioned algorithms and classification success of these algorithms was investigated. The data set used is the current three-year data covering the 2016-2018 period of the countries. Numerous attempts were made to select the parameters of the algorithms used and the appropriate parameter sets were tried to be determined.Findings – According to the research results, although the predictive success of all three models is high, support vector machines was determined as the best classifier algorithm which produces the best results.Discussion – It is possible to say that the performance of the prediction of all models is acceptable and they are the models that can be used for sovereign credit rating prediction. For example, in the study of Leshno and Spector, (1996) the predicted performance of ANN model was 72%, in Mohapatra, De, and Ratha, (2010) was 75% and in Blanco et al. (2013) was 92.4%. It is seen that the results of the analysis are successful compared to the studies in the literature.en_US
dc.identifier.endpage51en_US
dc.identifier.issn1309-0712
dc.identifier.issue1en_US
dc.identifier.startpage42en_US
dc.identifier.trdizinid312062en_US
dc.identifier.urihttp://www.trdizin.gov.tr/publication/paper/detail/TXpFeU1EWXlNZz09
dc.identifier.urihttps://hdl.handle.net/20.500.12403/1373
dc.identifier.volume11en_US
dc.indekslendigikaynakTR-Dizinen_US
dc.language.isotren_US
dc.relation.ispartofİşletme Araştırmaları Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectİktisaten_US
dc.subjectİşletmeen_US
dc.titleÜlke Kredi Notlarının Makine Öğrenme Algoritmaları ile Tahminien_US
dc.title.alternativeEstimating Sovereign Credit Rating by Using Machine Learning Algorithmen_US
dc.typeArticleen_US

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu