Banka Finansal Baflar›s›zl›klar›n›n
Sinirsel Bulan›k A¤ Yöntemi ‹le Öngörüsü
Banka Finansal Baflar›s›zl›klar›n›n
Sinirsel Bulan›k A¤ Yöntemi ‹le Öngörüsü
Birol Y›ld›z* Soner Akkoç**
Ö
Özzeett
Bu çal›flman›n amac›, özellikle 2000-2001 kriz y›llar›nda, çeflitli sebeplerle mali bünyeleri bozulup Tasarruf Mevduat› Sigorta Fonu’na devredilen bankalar›n, bu finansal baflar›s›zl›kla-r›n›n öngörüsünü sinirsel bulan›k a¤ yöntemi ile gerçeklefltirmektir. Sinirsel bulan›k a¤ yönte-mi istatistiksel yöntemlerin varsay›mlar›ndan kaynaklanan sorunlar› yaflamamakta ve yapay si-nir a¤ modellerinde oldu¤u gibi, verilerin içindeki iliflkiyi ö¤renebilmektedir. Ayn› zamanda model yapay sinir a¤lar›nda oldu¤u gibi kara kutu içinde kalmamakta, modelin karar alma süreci yorumlanabilmektedir. Sinirsel bulan›k a¤ modeli özelliklerinden dolay› önemli bir alter-natif olarak karfl›m›za ç›kmaktad›r. Bu çal›flmada sinirsel bulan›k a¤ modelinden yüksek ön-görü baflar›s› elde edilmesinin yan›nda, öncü göstergelerin karar alma sürecine olan katk›s› da yorumlanabilmifltir.
Anahtar Kelimeler: Banka Baflar›s›zl›k Öngörüsü, Sinirsel Bulan›k A¤, Erken Uyar› Sistemi, Ay›rma Analizi
JEL S›n›flamas›: G33, G21, G14
A
Abbssttrraacctt -- P
Prreeddiiccttiinngg BBaannkk BBaannkkrruuppttcciieess wwiitthh NNeeuurroo FFuuzzzzyy MMeetthhoodd The aim of this study is to actualize the prediction of bankruptcies of the banks whose financial structures have gone bad with various reasons and transferred to Savings Deposit Insurance Fund especially in 2000-2001 crisis years, with neuro fuzzy. Neuro fuzzy does not have the problems which are sourced from the hypothesis of statistical methods and as in artificial neural network, it can learn the relationship of the data. At the same time the model does not stay in a black box like artificial neural network, the process of predicting of the model can be commented. Because of these features neuro fuzzy appears as an alter-native. In this study, besides getting high prediction success from neuro fuzzy, the addition of the forerunner indicators on the decision making process can also be commented. Keywords: Bank Failure Prediction, Neuro-fuzzy, Early Warning Systems, Discriminant Analysis JEL Classification: G33, G21, G14* Yrd. Doç. Dr., Sosyal Bilimler Enstitüsü, Eskiflehir Osmangazi Üniversitesi ** Yrd. Doç. Dr., Uygulamal› Bilimler Yüksekokulu, Dumlup›nar Üniversitesi
1. Girifl
Finansal piyasalar arac›l›¤› ile tasarruflar›n yat›r›ma dönüfltürülmesi ülke ekonomi-leri için büyük önem tafl›r. Tasarruflar›n yat›r›ma dönüflmesine paralel olarak, ekono-mik istikrar ve büyüme için sa¤l›kl› iflleyen bir bankac›l›k sistemine ihtiyaç vard›r. Bu nedenle düzenleyici otoriteler, bankalar›n finansal durumlar›n› sürekli olarak de¤er-lendirmek durumundad›rlar. Çünkü banka finansal baflar›s›zl›klar› ekonomik sistemi temelden tehdit edebilmektedir. Bu ba¤lamda banka finansal baflar›s›zl›klar›n›n ön-görülmesi, düzenleyici otoriteler, banka sahip ve yöneticileri ve yat›r›mc›lar taraf›n-dan zaman›nda önlemler al›nabilmesini ad›na, bu süreci yönetme ve denetleme im-kân› tan›maktad›r. Ayn› zamanda banka finansal baflar›s›zl›klar›n›n olas› maliyetleri de böylelikle azalt›labilir.
Makro ekonomik geliflmeler bankac›l›k sektörünü yak›ndan ilgilendirmektedir. Yüksek enflasyon, yüksek reel faiz ve düflük ya da negatif büyüme oranlar›, banka-lar›n faaliyetlerini olumsuz flekilde etkileyebilmektedir. Türkiye’de 1994 y›l›ndan 2003 y›l›na kadar yaflanan süreçte, bu olumsuzluklar büyük oranda gerçekleflmifl ve ban-ka finansal baflar›s›zl›klar›nda önemli roller oynam›flt›r. Türkiye’de ilk önemli banban-ka fi-nansal baflar›s›zl›klar› 1994 y›l›ndaki krizle birlikte ortaya ç›km›flt›r. Sonras›nda 1997 ve 1998 y›l›nda yaflanan mali s›k›nt›lar nedeniyle de banka finansal baflar›s›zl›klar› gündeme gelmifltir. Son olarak ise ülke tarihinin en büyük krizinin yafland›¤› 2000 ile 2001 y›llar›nda büyük çapl› banka finansal baflar›s›zl›klar› yaflanm›fl ve bu y›llarda 11 banka Tasarruf Mevduat› Sigorta Fonu’na (TMSF) devredilmifltir. Bankalar›n finansal baflar›s›zl›klar›n›n; yönetim ve denetim yetersizli¤i, düzenleyici otoritelerin faaliyetle-rindeki yetersizlik, banka hakim ortaklar›n›n uygunsuz ifllemleri gibi, çeflitli nedenleri olabilir. Bankac›l›k Düzenleme ve Denetleme Kurumu (BDDK) 1997-2002 y›llar› ara-s›nda TMSF’na devredilen 20 bankan›n 12’sinin; mali bünyelerinin bozulmas› ve
ban-ka ban-kaynaklar›n›n hâkim ortaklar›n lehine ve banban-ka zarar›na sebep olacak flekilde kul-lan›lmas› nedeniyle, devredildi¤ini belirtmektedir (BDDK, 2003, s. 19).
2009 y›l› ilk çeyrek itibariyle Türk finans sektörünün aktif büyüklü¤ü 945,2 milyar TL olarak gerçekleflmifltir. Finans sektörünün toplam aktiflerinin %77.7’sini bankac›-l›k sektörü varbankac›-l›klar› oluflturmaktad›r. Merkez Bankas› da dikkate al›nd›¤›nda söz ko-nusu oran %90.3 olmaktad›r (BDDK, 2009, s. 15). Bankalar›n mali sektörün önemli bir bölümünü oluflturmas› ve di¤er finansal kurumlar›n yeterince geliflmemifl olmas›n-dan dolay› (Ayn› zamanda di¤er finansal kurumlar›n önemli bir bölümü de, yine ban-kalar taraf›ndan kurulmaktad›r.) bankac›l›k sektörü Türkiye için daha önemli hale gel-mektedir. Ülke ekonomileri aç›s›ndan banka finansal baflar›s›zl›klar›, di¤er iflletme ba-flar›s›zl›klar›ndan daha çok öneme sahiptir. Bu önemin bir nedeni de, banka finansal baflar›s›zl›klar›n›n sadece banka ortaklar›n› ilgilendirmiyor olmas›ndan kaynaklanmak-tad›r. Baflar›s›zl›k sürecinde mevduat sahipleri, bankaya fon sunan di¤er kurumlar ve
kredi kullananlar da olumsuz flekilde etkilenmektedir. Bankan›n büyüklü¤ü ölçüsün-de ülke ekonomisi ölçüsün-de bu durumdan olumsuz yönölçüsün-de etkilenebilmektedir. 1994 krizi sonras›nda mevduata %100 devlet güvencesinin verildi¤i düzenleme ile birlikte, ban-ka finansal baflar›s›zl›klar›n›n ban-kamu mali yap›s›n› bozabildi¤i tecrübe edilmifltir. Bunun yan›nda, yat›r›mc›lar›n ve tüketicilerin sisteme olan güveni de azalmaktad›r. Bankalar aras›nda kurulan yak›n iliflkiler ve sektöre duyulan güvenin azalmas›ndan dolay› sa¤-l›kl› bankalar da bu durumdan olumsuz flekilde etkilenebilmektedir.
Banka finansal baflar›s›zl›klar›n›n öngörüsü üzerine yap›lan çal›flmalar incelendi¤in-de, ilk olarak istatistiksel modellerin bu alana uyguland›¤› görülmektedir. ‹statistiksel modellerin, normal da¤›l›m ve ba¤›ms›z de¤iflkenler aras›nda çoklu ba¤lant›n›n bu-lunmamas› gibi, çeflitli varsay›mlar› bulunmaktad›r. Bu varsay›mlar›n sa¤lanamam›fl olmas› ise, örneklem üzerinde elde edilen baflar›n›n genellefltirilmesi konusunda ba-z› sak›ncalar do¤urmaktad›r. Banka finansal baflar›s›zl›klar›n›n öngörüsünde 1990’l› y›llardan itibaren yapay sinir a¤lar›n›n kullan›ld›¤› ve bu modellerle yüksek öngörü ba-flar›s› sa¤land›¤› görülmektedir. Ancak yapay sinir a¤ modeline iliflkin katsay›lar, a¤›n içindeki a¤›rl›klar üzerinde sakl› kald›¤› için yorumlanamamaktad›r. Dolay›s›yla ba¤›m-s›z de¤iflkenlerin model içerisinde ne flekilde kullan›larak karar verildi¤i bilinememek-tedir.
Bu çal›flmada, yabanc› literatürde örnekleri bulunmas›na ra¤men, Türk bankac›l›k sektörünün finansal baflar›s›zl›klar›n›n öngörüsünde daha önce uygulanmad›¤› görü-len sinirsel bulan›k a¤ modeli uygulanm›flt›r. Bu aç›dan çal›flman›n önemli bir bofllu-¤u dolduraca¤› düflünülmektedir. Yapay zekâ teknolojilerinden biri olan sinirsel bu-lan›k a¤ modeli, yapay sinir a¤ modeli ve bubu-lan›k mant›¤›n birlikte kullan›m›yla elde edilen melez bir teknolojidir. Sinirsel bulan›k a¤ modelinde istatistiksel modellerde bulunan varsay›mlar bulunmamaktad›r. Ayn› zamanda yapay sinir a¤ modeli ile yo-rumlanamayan, ba¤›ms›z de¤iflkenlerin model içerisinde ne flekilde kullan›larak karar al›nd›¤›n›n bilgisi, sinirsel bulan›k a¤ modeli ile yorumlanabilmektedir. Sinirsel bulan›k a¤ modelini yapay sinir a¤ modelinden ay›ran belki de en önemli özellik al›nan kara-r›n kara kutu (black box) içinde kalmamas›d›r. Finansal baflar›s›zl›klakara-r›n öngörüsünde istatistiksel tekniklerin veya yapay sinir a¤ modellerinin kullan›ld›¤› çal›flmalarda mo-dellerin öngörü baflar›s› üzerinde durulmaktad›r. Bu çal›flmada ise sinirsel bulan›k a¤ modelinin öngörü baflar›s›n›n yan›nda, ba¤›ms›z de¤iflkenlerin ne flekilde kullan›larak banka finansal baflar›s›zl›k öngörü karar›n›n al›nd›¤› da yorumlanabilecektir.
Çal›flman›n 2. bölümünde özellikle banka finansal baflar›s›zl›klar›n›n öngörüldü¤ü çal›flmalar aktar›lacak, 3. bölümde ise sinirsel bulan›k a¤ modeli k›saca incelenecek-tir. 4. bölümde veri setine yer verilirken 5. bölümde çal›flman›n modeli anlat›lacak, sonraki bölümde modelden elde edilen bulgulara yer verilecektir. 7. bölümde ise so-nuç ve de¤erlendirmeler yer almaktad›r.
2. Literatür
‹flletme veya banka finansal baflar›s›zl›klar›n›n öngörüldü¤ü çal›flmalar 1960’l› y›l-lara kadar uzanmaktad›r. Bu konudaki ilk önemli çal›flma Altman (1968) taraf›ndan yap›lm›flt›r. Finansal baflar›s›zl›klar›n öngörüsünde ay›ma analizinin ilk kez kullan›ld›¤› bu çal›flmada, öngörü gücü yüksek 5 finansal oran tespit edilmifl ve 33’ü finansal ba-flar›s›z, 33’ü de finansal baflar›s›z olmayan iflletmeden oluflan veri seti üzerinde bir y›l öncesi için %95 oran›nda öngörü baflar›s› elde edilmifltir. Sinkey (1975) taraf›ndan yap›lan çal›flmada ise ay›rma analizi ilk kez banka finansal baflar›s›zl›klar›n›n öngörü-sünde kullan›lm›flt›r. Banka finansal baflar›s›zl›klar›n›n öngörüöngörü-sünde çoklu regresyon analizi ilk kez, Meyer ve Pifer (1970) taraf›ndan, lojistik regresyon analizi ise Martin (1977) taraf›ndan kullan›lm›flt›r. West (1985) taraf›ndan yap›lan çal›flmada ise, ban-ka de¤erlemesinde faktör analizi ve lojistik regresyon analizinin birlikte kullan›lmas›-n›n ümit verici sonuçlar üretti¤i belirtilmifltir.
Firma baflar›s›zl›k öngörü çal›flmalar›nda 1990’l› y›llardan itibaren yapay sinir a¤ modellerinin kullan›ld›¤› görülmektedir. Yap›lan çal›flmalarda yapay sinir a¤ modelle-rinin, ay›rma analizi, regresyon, lojistik regresyon ve probit analizi gibi istatistiksel tekniklerden daha baflar›l› oldu¤u sonucuna ulafl›lm›flt›r (Davalos, Gritta v.d., 1999; Han ve Lee 1997; Lee, Booth v.d., 2005; Leshno ve Spector 1996; Salchenberger Mi-ne ve Lash 1992; Sharda ve Wilson 1993; Tan ve Dihardjo 2001; Tsukuda ve Baba 1994; Wilson ve Sharda 1994; Yang, Platt v.d., 1999; Zhang, Hu v.d., 1999). Firma baflar›s›zl›klar›n›n öngörüsünde Türkiye’de yap›lan benzer çal›flmalarda da yapay sinir a¤ modellerinin istatistiksel modellerden daha baflar›l› oldu¤u sonucuna ulafl›lm›flt›r (Y›ld›z, 1999; Aktafl, Do¤anay v.d., 2003; Akkoç, 2007, Sevim, Y›ld›z v.d., 2008). Son zamanlarda melez yapay zeka teknolojilerinin de bu alanda uyguland›¤› gö-rülmektedir. Chen, Huang v.d. (2009) taraf›ndan firma finansal baflar›s›zl›klar›n›n ön-görüsünde sinirsel bulan›k a¤ modelinin kullan›ld›¤› çal›flmada büyüklük, sektör ve süreç dikkate al›narak 100 finansal baflar›s›z firma, 100 sa¤l›kl› firma ile efllefltirilmifl ve veri setinin %70’i (140 firma) e¤itim için %30’u (60 firma) test için kullan›lm›flt›r. Sinirsel bulan›k a¤ modelinin girdileri likidite, sermaye yap›s› ve da¤›t›lmam›fl karlar bafll›klar› alt›nda toplanan, firmalara ait 16 finansal orandan oluflmaktad›r. Çal›flma-n›n sonucunda finansal baflar›s›zl›¤›n do¤ru öngörülmesinde ve yanl›fl s›n›fland›rma maliyeti aç›s›ndan bak›ld›¤›nda sinirsel bulan›k a¤ modeli, yapay sinir a¤ modeli ve lo-git modelinden daha baflar›l› bulunmufltur. Sinirsel bulan›k a¤ modelinin karar alma sürecine bak›ld›¤›nda da; likiditenin yüksek oldu¤u durumda, sermaye yap›s›n›n yük-sek veya orta ve da¤›t›lmam›fl karlar›n yükyük-sek veya düflük olmas›na bak›lmaks›z›n, fi-nansal baflar›s›zl›k olas›l›¤› oldukça düflük bulunmufltur. Likiditenin düflük ve da¤›t›l-mam›fl karlar›n orta oldu¤u durumda, sermaye yap›s›n›n tüm düzeylerinde finansal baflar›s›zl›k olas›l›¤›n›n oldukça yüksek oldu¤u görülmüfltür. Finansal baflar›s›zl›k
ola-s›l›¤›n›n, likiditenin orta, sermaye yap›s›n›n düflük ve da¤›t›lmam›fl karlar›n orta oldu-¤u durumda da yüksek olduoldu-¤u görülmüfltür. Bu çal›flmada firmalar›n finansal durum-lar›na iliflkin karar›n verilmesinde likidite oranlar›n›n hayati öneme sahip oldu¤u tes-pit edilmifltir.
Yapay sinir a¤ modellerinin banka finansal baflar›s›zl›klar›n›n öngörüsünde de kul-lan›ld›¤› görülmektedir. Tam (1991) ve Tam ve Kiang’›n (1992) Texas bankalar› üze-rinde gerçeklefltirdikleri öngörü çal›flmalar›nda yapay sinir a¤lar›n›n, ay›rma analizi, faktör-lojistik regresyon analizi gibi istatistiksel tekniklerden daha baflar›l› oldu¤u so-nucuna ulafl›lm›flt›r. Bell (1997) taraf›ndan yap›lan çal›flmada banka baflar›s›zl›k öngö-rüsünde yapay sinir a¤lar›n›n lojistik regresyon analizinden daha baflar›l› oldu¤u so-nucuna ulafl›l›rken, Swicegood ve Clark (2001) taraf›ndan yap›lan çal›flmada yapay sinir a¤lar›n›n ay›rma analizinden daha baflar›l› oldu¤u belirtilmifltir. Alam, Booth v.d., (2000) olas› banka finansal baflar›s›zl›klar›n›n öngörüsünde bulan›k kümeleme ve özörgütlemeli (self-organizing) yapay sinir a¤lar›n›n baflar›l› bir flekilde uygulanabile-ce¤ini belirtmifllerdir. Ravi ve Pramodh (2008) ‹spanya ve Türkiye verileri üzerinde te-mel bileflenli yapay sinir a¤lar› modeli ile banka finansal baflar›s›zl›klar›n›n öngörüsü-nü gerçeklefltirmifllerdir. ‹spanya veri setinde 66 banka Türkiye veri setinde 40 ban-ka bulunmaktad›r. Bu banban-kalara iliflkin olarak ‹spanya için 9, Türkiye için 12 finansal oran kullan›lm›flt›r. Kurulan modellerden en yüksek baflar› oran› ‹spanya veri seti için %96.6, Türkiye veri seti için ise %100 olarak bulunmufltur.
Banka finansal baflar›s›zl›klar›n›n öngörüldü¤ü çal›flmalarda veri zarflama analizi-nin de kullan›ld›¤› görülmektedir. Cielen, Peters v.d., (2004) taraf›ndan, 1994-1996 döneminde 276 baflar›l›, 90’› da baflar›s›z olan bankalara ait veri seti Belçika Merkez Bankas›’ndan temin edilmifl ve her bir banka için 11 finansal oran hesapland›ktan sonra gerçeklefltirilen baflar›s›zl›k öngörüsünden en iyi sonucun veri zarflama analizi (%86,4) ile elde edildi¤i belirtilmifltir. Kao ve Liu (2004) veri zarflama analizi ile 24 Taiwan bankas›n›n finansal bilgilerine dayanarak gerçeklefltirdikleri performans de-¤erlemesi çal›flmas›nda, 2 bankan›n verimlilik skoru (0.7358 ve 0.7584) çok düflük bulunurken, söz konusu bankalar›n Asya finansal krizinden s›k›nt› çekti¤i ve yüksek miktarda kötü borca sahip oldu¤u belirtilmifltir. Araflt›rmac›lar banka performans›n›n veri zarflama analizi ile öngörülebilece¤ini ortaya koymufllard›r.
Kolari, Glennon v.d., (2002) toplam aktif de¤eri 250 milyon dolar›n üzerinde olan büyük bankalar üzerinde yapm›fl olduklar› finansal baflar›s›zl›k öngörü çal›flmas›ndan logit modelinden 1 ve 2 y›l öncesi için s›ras›yla %96 ve %95 oran›nda do¤ru öngörü baflar›s› sa¤lam›fllard›r. Araflt›rmac›lar trait recognition modelinden ise %100 baflar› sa¤lad›klar›n›, dolay›s›yla trait recognition modelinin logit modelinden daha baflar›l› oldu¤unu belirtmifllerdir. Lanine ve Vennet (2006) logit ve trait recognition modelle-rini Rus bankac›l›k sektörünün finansal baflar›s›zl›klar›n›n öngörüsü için kulland›klar›
çal›flmalar›nda, trait recognition modelinin logit modelinden daha iyi performans ser-giledi¤ini belirtmifllerdir.
Yapay zekâ teknolojilerindeki geliflmelere paralel olarak, neuro-fuzzy, fuzzy-neu-ral, neuro-genetic, genetic-neuro, neuro-fuzzy-genetic gibi melez modeller gündeme gelmifltir ve bu modeller de banka finansal baflar›s›zl›klar›n öngörülmesinde kullan›l-m›flt›r. Tung, Quek v.d., (2004) taraf›ndan, Amerika’da 1980-2000 y›llar› aras›ndaki 21 y›ll›k süreçte 2.933 baflar›l›, 702’de baflar›s›z bulunan toplam 3.635 bankadan oluflan örneklem üzerinde, bankalara ait anlaml› bulunan 9 de¤iflken ile GenSoFNN modeli (Generic Self-Organising Fuzzy Neural Network) kullan›larak bankalar›n finan-sal baflar›s›zl›klar›n›n öngörüsü gerçeklefltirilmifltir. Elde edilen bulgular do¤rultusun-da bu model, Cox’s proportional hazards modelden do¤rultusun-daha baflar›l› bulunmufltur. Ay-n› döneme ait verilerle Ng ve Jiang (2008) taraf›ndan gerçeklefltirilen banka finansal baflar›s›zl›klar›n›n öngörüldü¤ü çal›flmada ise, Fuzzy CMAC (cerebellar model articu-lation controller) modelinin Cox’s proportional hazards modelden ve GenSoFNN’den daha baflar›l› oldu¤u sonucuna ulafl›lm›flt›r. Nguyen ve Quek (2008) yine ayn› döne-me ait veri seti üzerinde, Ying-Yang Fuzzy CMAC modeli ile banka finansal baflar›s›z-l›klar›n›n öngörüsünü gerçeklefltirmifllerdir. Ba¤›ms›z de¤iflken olarak dokuz de¤iflke-nin kullan›ld›¤› çal›flmada baflar›s›z bankalar üzerinde, ulafl›lan son verileri kullan›lma-s› ile %95, bir y›l önceki verilerin kullan›lmakullan›lma-s› ile %85 ve iki y›l önceki verilerin kulla-n›lmas› ile %75 oran›nda öngörü baflar›s› elde edilmifltir. Chauhan, Ravi v.d., (2009) dalgac›k (wavelet) yapay sinir a¤ modelleri ile banka finansal baflar›s›zl›k öngörü ça-l›flmalar›n› üç ülke veri seti üzerinde gerçeklefltirmifllerdir. Türkiye veri setinde 40 ban-ka (18’i finansal baflar›s›z), ‹spanya veri setinde 66 banban-ka (37’i finansal baflar›s›z) ve Amerika veri setinde 129 banka (65’i finansal baflar›s›z) bulunmaktad›r. Kurulan mo-dellerden en yüksek baflar› oran› Türkiye, ‹spanya ve Amerika veri seti için s›ras›yla %100, %89.99, %93,33 olarak bulunmufltur.
Türkiye’de de çeflitli yöntemler kullan›larak, 1994 - 2003 y›llar› aras›ndaki süreçte yaflanan banka finansal baflar›s›zl›klar›n›n öngörüldü¤ü çal›flmalar yap›lm›flt›r. Can-bafl, Cabuk v.d., (2005) taraf›ndan 18 baflar›s›z ile 22 baflar›l› bulunan bankalardan oluflan veri setine, gruplar aras›nda ortalamalar aç›s›ndan anlaml› bulunan 12 finan-sal oran kullan›larak ay›rma analizi, logit ve probit yöntemleri uygulanm›fl ve banka-lar›n finansal durumu, 1 y›l öncesinden ay›rma analizi, logit ve probit modelleri ile s›-ras›yla %90, %87.5 ve %87.5 oran›nda do¤ru olarak öngörülmüfltür. Benli (2005) taraf›ndan yap›lan çal›flmada banka finansal baflar›s›zl›klar›n›n de¤erlendirilmesinde yapay sinir a¤ modeli ve lojistik regresyon modeli karfl›laflt›rmal› olarak kullan›lm›flt›r. Lojistik regresyon modelinden %84 oran›nda öngörü baflar›s› elde edilirken yapay si-nir a¤ modelinin öngörü baflar›s› %87,2 olarak bulunmufltur. Do¤anay, Ceylan v.d., (2006) 19 baflar›s›z ile 23 baflar›l› bulunan bankalar üzerinde yapt›klar› öngörü
çal›fl-mas›nda, ba¤›ms›z de¤iflken olarak 27 finansal oranla regresyon, ay›rma analizi, lo-git ve probit yöntemlerini kullanarak %81 ile %95 aras›nda de¤iflen öngörü baflar›s› elde etmifllerdir. Ayn› zamanda en yüksek öngörü baflar›s›n›n logit modeliyle elde edildi¤i de belirtilmifltir. Ay›rma analiz tabanl› matematiksel programlama yöntemi ile Türkiye’deki banka finansal baflar›s›zl›klar›n›n öngörüsünün gerçeklefltirildi¤i bir bafl-ka çal›flma Karacabey (2007) taraf›ndan yap›lm›flt›r. 1994-2001 y›llar› aras›nda 18’i Fon’a devredilmifl 39 bankadan oluflan veri seti üzerinde önerilen modelden özellik-le baflar›s›zl›ktan 1 y›l önce yüksek oranda öngörü baflar›s› (%92.3) elde edilmifl ve söz konusu modelin faktör analiz destekli ay›rma analizinden daha baflar›l› oldu¤u tespit edilmifltir. Çinko ve Avc› (2008) CAMELS bileflenlerini ay›rma analizi, lojistik regresyon ve yapay sinir a¤ modellerinde kullanarak TMSF’na devredilen bankalar›n finansal baflar›s›zl›klar›n›n öngörüsünü gerçeklefltirdikleri çal›flmalar›nda, CAMELS bi-leflenlerinin ülkemiz bankac›l›k sistemine tam olarak uymad›¤› sonucuna ulaflm›fllar-d›r. Boyac›o¤lu, Kara v.d., (2009) taraf›ndan yap›lan çal›flmada, 4 tanesi yapay sinir a¤ yap›s› olmak üzere, 8 farkl› model ile Türkiye’deki banka finansal baflar›s›zl›klar›-n›n öngörüsü gerçeklefltirilmifltir. En iyi performans› gösteren modellerin, yapay sinir a¤ modellerinden olan çok katmanl› alg›lay›c› (multilayer perceptron) ve learning vec-tor quantization oldu¤u, ilgili modellerin öngörü baflar›s›n›n e¤itim seti için s›ras›yla %100 ve %83.72, geçerlilik seti için ise s›ras›yla %95,5 ve %100 olarak bulundu¤u belirtilmifltir. Celiky›lmaz, Türkflen v.d., (2009) çal›flmalar›nda IFCF (improved fuzzy classifier functions) modeli ile TMSF’na devredilen bankalar›n finansal baflar›s›zl›klar›-n›n öngörüsünü gerçeklefltirmifllerdir. 44 bankadan oluflan veri seti üzerinde kurulan modelin öngörü baflar›s› 1, 2 ve 3 y›l öncesi için s›ras›yla %98, %94 ve %97 olarak bulunmufltur.
3. Sinirsel Bulan›k A¤ Modeli
Bulan›k mant›k ilk olarak Zadeh (1965) taraf›ndan ortaya at›lm›fl belirsizliklerin an-lat›m› üzerine kurulu matematiksel bir düzendir. Bulan›k mant›¤›n ç›k›fl noktas› klasik küme kuram›na getirilen elefltiriler olmufltur. Klasik küme kuram›nda bir eleman için tam üyelik söz konusudur. Yani bir eleman herhangi bir kümeye ya üyedir ya da de-¤ildir. Bulan›k mant›kta ise üyelik fonksiyonlar› arac›l›¤›yla bir eleman birden fazla kü-meye belirli oranlarda üye olabilmektedir. Baflka bir deyiflle, bulan›k kümeler, bir ele-man›n bir kümeye k›smi üyeli¤ine olanak sa¤lar. Bulan›k mant›k, girdileri ç›kt›lara -bir bulan›k kümeyi bir baflkas›na- dönüfltüren “A ise B’dir fleklindeki kurallara dayanmak-tad›r (Kosko ve Isaka, 1993, s. 57).
Yapay zekâ teknolojilerinden her birinin kendine özgü yetenekleri bulunmaktad›r. Yapay sinir a¤lar› insan›n sinir sistemini taklit ederek bilgisayar ö¤renmesini gerçek-lefltirir. Bulan›k mant›k ise insan›n düflünüfl tarz›na çok yak›nd›r. Ayn› zamanda sözel
de¤iflkenleri de kullanabilmektedir. Yaln›z bu teknolojilerinin kendine özgü dezavan-tajlar› da bulunmaktad›r. Bulan›k tasar›ml› sistemlerin, yapay zekâ teknolojileri aras›n-daki belki de en önemli dezavantaj› bu sistemlerin ö¤renme yetene¤inin olmamas›-d›r. Yapay zekâ teknolojilerindeki ilerlemelere paralel olarak bu teknolojilerin birlikte kullan›m› gündeme gelmifl ve bu teknolojilerin dezavantajlar› ortadan kald›r›lmaya çal›fl›lm›flt›r. Sinirsel bulan›k mant›k yapay sinir a¤lar› ve bulan›k mant›k teknolojisinin birlikte kullan›m›yla oluflturulmufl melez bir yapay zekâ teknolojisidir. Sinirsel bulan›k a¤lar›n e¤itimi ve özelliklerinin anlafl›lmas› kolayd›r. Sinirsel bulan›k a¤lar sözel de¤ifl-kenleri kullanarak ö¤renebilirler. Bu durum sinirsel bulan›k a¤lar›n di¤er do¤rusal ol-mayan yapay zekâ teknolojileriyle (yapay sinir a¤› gibi) k›yasland›¤›nda en önemli avantaj›d›r (Abonyi, 2002, s. 6).
Sinirsel bulan›k mant›k modelinin özellikleri afla¤›da özetlendi¤i üzeredir (Jang, Sun, v.d., 1997, s. 7-9):
i. Sinirsel bulan›k modelleme, e¤er ise bulan›k kurallar›n› kullanarak insan tecrü-besinin problem alan›na uygulanmas›n› sa¤lar.
ii. Do¤rusal olmayan sistem modellemede ve s›n›fland›rma problemlerinde, biyo-lojik sinir hücresinden esinlenerek oluflturulan yapay sinir a¤lar›n›n genifl bir fle-kilde uygulanmas›na imkân tan›r.
iii. Bu sistemler esnek yap›lar› sayesinde karmafl›k problemlerin çözümünde kulla-n›labilir.
iv. Yapay sinir a¤lar› ve bulan›k ç›kar›m sistemleri, sadece örnek verilerin sisteme girilmesi ile model kurma yetene¤ine sahiptir.
v. Sistemde meydana gelebilecek olan hata durumlar›nda, sistem tamamen etki-siz hale gelmez, bu sistemler hata tolerans›na sahiptir.
Sinirsel bulan›k mant›k yaklafl›m› yapay sinir a¤lar›n›n ö¤renme yetene¤ini, en uy-gunu bulma ve ba¤lant›l› yap›lar gibi, bulan›k mant›¤›n insan gibi karar verme ve uz-man bilgisi sa¤lama kolayl›¤› üstünlüklerinin birlefltirilmesi fikrine dayanmaktad›r. Bu yolla bulan›k denetim sistemlerine, yapay sinir a¤lar›n›n ö¤renme ve hesaplama gü-cü verilebilirken, sinir a¤lar›na da bulan›k denetimin insan gibi karar verme ve uzman bilgisi sa¤lama yetene¤i kazand›r›lmaktad›r. Sinirsel bulan›k denetim sistemlerinin as›l amac›, sinirsel bulan›k denetim sistemlerinin yap›s›n›, de¤iflkenlerini ayarlamak ve bulmak için sinirsel ö¤renme tekniklerinin uygulanmas›d›r (Elmas, 2003, s. 165). Si-nirsel bulan›k a¤, yapay sinir a¤› teknolojisinin ö¤renme, bulan›k uzman sistemlerin ç›karsama yetene¤ine sahiptir.
Sinirsel bulan›k a¤lar verilerin sisteme girilmesi ve üyelik fonksiyonlar›n›n tan›m-lanmas› ile en iyi ö¤renmeyi gerçeklefltirebilmek için uygun parametreleri kendisi atar. Ö¤renme sürecinde bulan›k kurallar kullan›l›r. E¤er x çok küçük ise y grup 1’e
aittir fleklinde kurallar üyelik fonksiyonlar› göz önünde bulundurularak oluflturulur. Si-nirsel bulan›k a¤ üyelik fonksiyonlar›na göre oluflturulmufl kurallar› kullanarak e¤itim faaliyetini gerçeklefltirir. Sorun alan›na uygun çözümün gelifltirilmesinde kurallar›n oluflturulmas› ve parametrelerin atanmas› sistem taraf›ndan gerçeklefltirildi¤i için bel-ki de sinirsel bulan›k a¤lar, yapay sinir a¤lar›na oranla daha h›zl› ö¤renme gerçeklefl-tirebilirler. Sinirsel bulan›k a¤ modelini yapay sinir a¤ modelinden ay›ran ve bu çal›fl-ma aç›s›ndan sinirsel bulan›k a¤ modelinin en önemli özelli¤i, elde edilen modelin “E¤er……ise…..” gibi kurallar fleklinde ortaya konabilecek olmas›d›r.
4. Veri
Bu çal›flmada 1997-2001 y›llar› aras›nda TMSF’na devredilen bankalar›n baflar›s›z-l›klar›n›n öngörüsü gerçeklefltirilmifltir. Bu süreçte çeflitli tarihlerde 19 banka TMSF’na devredilmifltir. Finansal baflar›s›zl›¤›n öngörüsünde ba¤›ms›z de¤iflken olarak banka-lara ait finansal oranlar kullan›lm›flt›r. Türkiye Bankalar Birli¤i (TBB) taraf›ndan haz›r-lanan bu oranlar TBB’nin resmi internet sitesinden elde edilmifltir (http://www.tbb.org.tr/turkce/bulten/yillik/2000/rasyolar.xls). Yine ayn› veri taba-n›ndan, faaliyette bulunan 21 bankan›n finansal oranlar› da elde edilmifltir. Böylece finansal aç›dan baflar›s›z olan 19 banka (TMSF’na devredilen) ve finansal aç›dan ba-flar›s›z olmayan (faaliyetlerini sürdüren) 21 bankadan oluflan veri setine ulafl›lm›flt›r. Söz konusu veri setinde 40 bankaya ait; sermaye rasyolar›, aktif kalitesi, likidite, kar-l›l›k, gelir-gider yap›s›, sektör paylar›, grup paylar›, flube rasyolar› ve faaliyet rasyolar› olmak üzere 9 bafll›k alt›nda 49 adet oran bulunmaktad›r.
Ek 1’de örneklemi oluflturan bankalara iliflkin bilgiler yer almaktad›r. Buna göre 1997 y›l›nda 1 banka, 1998 y›l›nda 1 banka, 1999 y›l›nda 6 banka, 2000 y›l›nda 3 banka ve 2001 y›l›nda 8 banka olmak üzere toplam 19 banka TMSF’na devredilmifl-tir. Çal›flmada finansal baflar›s›zl›¤›n öngörüsü 1 y›l öncesinden gerçeklefltirildi¤i için, baflar›s›zl›k y›l›ndan 1 y›l önceki finansal oranlar dikkate al›narak veri seti oluflturul-mufltur. Fon’a devirlerin en çok yafland›¤› y›l›n 2001 kriz y›l› olmas›ndan dolay› faali-yetlerini sürdüren bankalar›n da 2000 y›l›na ait finansal oranlar› veri setinde yer al-m›flt›r. Örneklem setinde yer alan bankalar›n tamam› faaliyet aç›s›ndan mevduat ban-kas›d›r. Fon’a devredilen bankalar›n tamam› sahiplik aç›s›ndan yerli ve özel banka iken, finansal aç›dan baflar›s›z olmayan grupta yer alan bankalardan 18’i yerli ve özel, 3’ü ise yabanc› banka konumundad›r.
Tablo 1’de çal›flmada ba¤›ms›z de¤iflken olarak kullan›lan finansal oranlara iliflkin bil-gilere yer verilmifltir. Finansal aç›dan baflar›s›z olan ve baflar›s›z olmayan bankalar aras›n-da yap›lan t testi sonucunaras›n-da 23 finansal oran aras›naras›n-daki farkl›l›k, %5 düzeyinde anlam-l› bulunmufl ve italik olarak yaz›lm›flt›r. Di¤er 26 finansal oranda ise gruplar aras›nda an-laml› bir farkl›l›k bulunmamaktad›r. Bankalar›n gelir gider yap›s›na iliflkin olan Faiz Gider-leri/Ort.Götürülü Aktifler (5.6.) ve Faiz Giderleri/Ort.Getirili Aktifler (5.7.) oranlar› iki grup aras›nda en yüksek anlaml›l›k düzeyine sahiptir. Bu araflt›rmada gruplar aras›nda anlaml› bulunan 23 oran ile ay›rma analizi gerçeklefltirilmifl, ay›rma fonksiyonunda yer alan oranlar sinirsel bulan›k a¤ modelinde girdi olarak kullan›lm›flt›r.
5. Yöntem
Bu araflt›rmada ayn› örneklem üzerinde ay›rma analizi ve sinirsel bulan›k a¤ mo-deli ile öngörüler gerçeklefltirilmifltir. Sinirsel bulan›k a¤ momo-delinde örneklemin, e¤i-tim ve geçerlilik seti olmak üzere 2’e ayr›lmas› gerekmektedir. Söz konusu modelde e¤itim seti üzerinde a¤›n e¤itimi gerçeklefltirilmekte, geçerlilik seti üzerinde de a¤›n performans› ölçülmektedir. Bu sebeple veri setinin %60’› (24 banka) a¤›n e¤itiminde kullan›lacakken, %40’› da (16 banka) a¤›n performans›n›n ölçülmesinde kullan›lacak-t›r. Sinirsel bulan›k a¤ modeline paralel olarak, ay›rma analizinde e¤itim seti fonksi-yon oluflturmak için kullan›lacak ve oluflturulan fonksifonksi-yonun geçerlilik seti üzerinde-ki performans› ölçülecektir. Böylece ay›rma analizi ve sinirsel bulan›k a¤ modelinin ay-n› örneklem üzerindeki performans› karfl›laflt›r›labilecektir.
Bu çal›flmada ay›rma analizine baflvurulmas›n›n tek nedeni, ay›rma analizi ile sinir-sel bulan›k a¤ modelin performans›n› karfl›laflt›rmak de¤ildir. Sinirsinir-sel bulan›k a¤ mo-deli çok say›da ba¤›ms›z de¤iflkenle çal›flamad›¤› için de¤iflken say›s›n› azaltmak ge-rekmektedir. Burada ay›rma analiz fonksiyonunda yer alan de¤iflkenleri kullanarak bu ifllem gerçeklefltirilmifltir.
5.1. Ay›rma Analizi
Çoklu ay›rma analizi finansal baflar›s›zl›k öngörü çal›flmalar›nda s›kl›kla kullan›lan istatistiksel bir yöntemdir. Çoklu ay›rma analizi bir grup de¤iflkene ba¤l› olarak, iki ya da daha çok say›daki grubun aras›nda belirgin bir farkl›l›¤›n bulunup bulunmad›¤›n› ortaya koyar. Çoklu ay›rma analizinin sahip oldu¤u model afla¤›da belirtildi¤i üzere-dir:
Zi = B0+ B1Xi1+ B2Xi2+ ……….. + BmXim Burada; Zi: Ay›rma de¤erini
B0: Sabit de¤eri
Bm: Ay›rma katsay›lar›n›
Ay›rma analizi SPSS program› ile gerçeklefltirilmifltir. Finansal aç›dan baflar›s›z olan ve baflar›s›z olmayan bankalar aras›nda yap›lan t testi sonucunda anlaml› bulunan 23 finansal orandan oluflan ba¤›ms›z de¤iflkenler programa girildikten sonra ay›rma analizine geçilmifltir. 24 bankaya ait 23 orandan oluflan veri setine ad›msal (stepwi-se) yöntemiyle ay›rma analizi uygulanm›flt›r. Böylece 23 finansal oran içinde yüksek öngörü gücü bulunan oranlar belirlenerek ay›rma fonksiyonu gelifltirilmifltir.
5.2. Sinirsel Bulan›k A¤ Modeli
Sinirsel bulan›k a¤ ile kurulan model, Matlab 7 program›nda yer alan ANFIS (adaptif neuro fuzzy inference system) yaz›l›m› ile gerçeklefltirilmifltir. ANFIS, yapay sinir a¤› ve bulan›k mant›k uygulamalar›n›n birlikte kullan›lmas›na imkân tan›makta-d›r. Sinirsel bulan›k a¤ modelinin ba¤›ms›z de¤iflkenleri, ay›rma analizinden elde edi-len fonksiyonda kullan›lan (Özkaynak + Toplam Kar)/(Mevd.+Mev.D›fl› Kay.) (1.3.), Faiz Giderleri/Ort.Götürülü Aktifler (5.6.) ve fiube Bafl›na Kredi’dir (8.6.).
Bulan›k ç›kar›m sistemi, modelin yap›s›, üyelik fonksiyonlar› ve modelin oluflturdu-¤u kurallar fiekil 1-4’de verilmifltir. Bu süreç e¤itim ve geçerlilik setinde yer alan ban-kalar›n söz konusu oranlar›n›n ANFIS’e girilmesi ile bafllamaktad›r. Sonras›nda her bir finansal orana iliflkin olarak befl adet üyelik fonksiyonu atanm›flt›r. Burada 1. üyelik fonksiyonu çok düflük; 5. üyelik fonksiyonu ise çok yüksek ifadelerini göstermekte-dir. Böylelikle sinirsel bulan›k a¤ modeli her bir üyelik fonksiyonuna iliflkin paramet-releri, girdi ve ç›kt› setini dikkate alarak belirlemifltir. ANFIS, ba¤›ms›z de¤iflkenleri ve üyelik fonksiyonlar›n› dikkate al›narak en iyi ö¤renmeyi gerçeklefltirebilmek için, 125 kural oluflturmufltur. Gelifltirilen kurallar çerçevesinde a¤›n e¤itimi tamamland›¤›nda bankalar›n finansal durumlar›na iliflkin kararlar verilmektedir.
fifieekkiill 44:: SSiinniirrsseell BBuullaann››kk AA¤¤ MMooddeelliinniinn OOlluuflflttuurrdduu¤¤uu KKuurraallllaarr
6. Bulgular
6.1. Ay›rma Analizinden Elde Edilen Bulgular
Ay›rma analizinin öngörü performans›n›n baflar›l› bulunup bulunmayaca¤› Tablo 2’de verilen Kanonik Korelasyon, Eigenvalue (özde¤er), Wilk’s Lambda de¤erlerin-den anlafl›labilir. Özde¤er istatisti¤i ne kadar büyükse, modelin ay›r›c›l›k gücü o de¤erlerin- den-li yüksek bulunur. Bu de¤erin “0” olmas› modeden-lin gruplar› birbirinden ay›r›c› bir özel-li¤e sahip olmad›¤›n› gösterir. Söz konusu de¤erin 0,40’dan büyük olmas› ise mode-lin ay›r›c›l›k gücünün oldukça iyi oldu¤unu göstermektedir ve bu de¤erin bir üst s›n›-r› yoktur. Ay›rma analizinde öz de¤er 1,562 bulunmufltur. Bu de¤er 0,40’dan daha yüksek oldu¤u için modelin ay›r›c›l›k gücünün oldukça iyi oldu¤u söylenebilir.
TTaabblloo 22:: AAyy››rrmmaa AAnnaalliizziinnee ‹‹lliiflflkkiinn DDee¤¤eerrlleerr
Kanonik Korelasyon, ay›rma skoru ve gruplar aras›ndaki iliflkiyi ölçer ve aç›klanan toplam varyans› gösterir. Bu analizde Kanonik Korelasyon de¤eri (0,781) bulunmufl-tur. Bu de¤eri yorumlayabilmek için karesini almak gerekir. Böylelikle 0,61 de¤erine ulafl›l›r. Bunun anlam›, ay›rma analizi ile kurulan modelin ba¤›ml› de¤iflkendeki var-yans›n %61’inin aç›klanabildi¤idir. Wilk’s Lambda istatisti¤i ay›rma skorlar›ndaki top-lam varyans›n gruplar aras›ndaki farklar taraf›ndan aç›klanmayan k›sm›n› gösterir. Wilk’s Lambda de¤eri 0,39 bulunmufltur. Bunun anlam› ay›rma modeli sonucu gelifl-tirilen fonksiyonla toplam varyans›n %39’unun aç›klanamad›¤›d›r.
TTaabblloo 33:: AAyy››rrmmaa AAnnaalliizziinnddeenn EEllddee EEddiilleenn FFoonnkkssiiyyoonn
Tablo 3’de model taraf›ndan gelifltirilen ay›rma fonksiyonu yer almaktad›r. Elde edilen ay›rma fonksiyonu yeni bankalar›n finansal durumlar›n› öngörmede kullan›la-cakt›r. Ay›rma fonksiyonu afla¤›da belirtildi¤i üzeredir.
Z= 0,788 + 0,026 * (1.3.) - 0,083 * (5.6.) + 0,0001 * (8.6.)
Ay›rma analiziyle gelifltirilen ay›rma fonksiyonu kullan›larak geçerlilik verileri üze-rinde her bankaya iliflkin olarak ay›rma skorlar› hesaplanacakt›r. Baflar›s›z ve baflar›-s›z olmayan bankalara iliflkin grup ortalamalar› (-1,197; 1,197) göz önünde bulundu-rularak kritik de¤er ‘0’ olarak hesaplanm›flt›r.
TTaabblloo 44:: AAyy››rrmmaa AAnnaalliizziinniinn FFoonnkkssiiyyoonn OOlluuflflttuurrmmaa//EE¤¤iittiimm VVeerriilleerrii ÜÜzzeerriinnddeekkii DDoo¤¤rruu SS››nn››ff--llaanndd››rrmmaa OOrraann››
Ay›rma analizinin fonksiyon oluflturma verileri üzerindeki öngörü baflar›s› Tablo 4’de verilmifltir. Ay›rma analizi fonksiyon oluflturma verileri üzerinde baflar›s›z olan 12 bankan›n 11’ini, baflar›s›z olmayan 12 bankan›n ise tamam›n› do¤ru öngörmüfltür. Ay›rma analizinin fonksiyon oluflturma verileri üzerindeki do¤ru s›n›fland›rma baflar›-s› %95,8 olarak bulunmufltur. Bu sonuçlardan sonra ay›rma analizi ile gelifltirilen mo-delin baflar›l› bir flekilde bankalar› do¤ru gruplara atad›¤› söylenebilir. Yaln›z ay›rma analizindeki nihai sonuca, yukar›da belirtilen ay›rma analizi modelinden elde edilen fonksiyonun geçerlilik verileri üzerinde uygulanmas›yla ulafl›lacakt›r. Yani modele dâ-hil olmayan 7’si baflar›s›z, 9’u da baflar›s›z olmayan toplam 16 bankaya ait geçerlilik verilerine ay›rma fonksiyonu uygulanarak, sinirsel bulan›k a¤ modeli ile karfl›laflt›rma yap›labilecek sonuçlara ulafl›lacakt›r.
Tablo 5’den görülece¤i üzere, gelifltirilen fonksiyon geçerlilik verileri üzerinde uy-guland›¤›nda 16 bankadan 12’sinin durumu do¤ru bir flekilde öngörülmüfltür. Bafla-r›l› grubunda yer alan ancak ay›rma analizinin baflar›s›z grubuna atad›¤› bankalar, fie-kerbank, Turkish Bank, Türk D›fl Ticaret Bankas› ve Türkiye ‹mar Bankas›’d›r. Ay›rma analiz modelinin geçerlilik verileri üzerindeki ortalama do¤ru s›n›fland›rma baflar›s› %75 olarak bulunmufltur. Bu noktada ay›rma analizi ile gelifltirilen modelde niha-i sonuca ulafl›lm›flt›r. Burada elde edniha-ilen öngörü baflar›s› sniha-inniha-irsel bulan›k a¤ modelniha-in- modelin-den elde edilecek olan bulgularla karfl›laflt›r›lacakt›r.
6.2. Sinirsel Bulan›k A¤ Modelinde Elde Edilen Bulgular
Sinirsel bulan›k a¤ modelinden elde edilen bulgular, e¤itimin baflar›l› bir flekilde tamamland›¤›n› ve geçerlilik seti üzerinde yüksek öngörü baflar›s› sa¤land›¤›n› gös-termektedir. Hata oran› en düflük düzeye ulaflt›¤› için, sinirsel bulan›k a¤ modelinin e¤itimi 438 devirde sonland›r›lm›flt›r. 438 devir sonunda e¤itim ve geçerlilik seti için hata oran› s›ras›yla 0,00019 ve 0,47987 olarak gerçekleflmifltir.
TTaabblloo 66:: SSiinniirrsseell BBuullaann››kk AA¤¤ MMooddeelliinniinn FFoonnkkssiiyyoonn OOlluuflflttuurrmmaa//EE¤¤iittiimm VVeerriilleerrii ÜÜzzeerriinnddeekkii D
Doo¤¤rruu SS››nn››ffllaanndd››rrmmaa OOrraann››
TTaabblloo 77:: SSiinniirrsseell BBuullaann››kk AA¤¤ MMooddeelliinniinn GGeeççeerrlliilliikk VVeerriilleerrii ÜÜzzeerriinnddeekkii DDoo¤¤rruu SS››nn››ffllaanndd››rrmmaa O
Orraann››
Tablo 6 ve 7’de s›ras›yla sinirsel bulan›k a¤ modelinin e¤itim ve geçerlilik verileri üzerindeki performans› bulunmaktad›r. Sinirsel bulan›k a¤ modelinin e¤itim seti üze-rindeki ö¤renme oran› %100 olarak bulunmufltur. Sonras›nda geçerlilik seti için sinir-sel bulan›k a¤ modelinin baflar›s› ölçülmüfltür. Sinirsinir-sel bulan›k a¤ modeli 16 banka-dan 13’ünün durumunu do¤ru bir flekilde öngörerek geçerlilik seti üzerinde %81,25 oran›nda öngörü baflar›s› göstermifltir. Baflar›l› grubunda yer alan ancak sinirsel bu-lan›k a¤ modelinin baflar›s›z grubuna atad›¤› bankalar, fiekerbank, Turkish Bank ve Türkiye ‹mar Bankas›’d›r.
Bu araflt›rmada sinirsel bulan›k a¤ modeli ve ay›rma analizinin ayn› örneklem üze-rindeki performans› ölçülmüfltür. Sinirsel bulan›k a¤ modeli bankalar›n›n durumunu %81,25 oran›nda baflar›yla öngörürken ay›rma analizinin öngörü baflar›s› %75’dir. Baflka bir ifadeyle sinirsel bulan›k a¤ modeli geçerlilik setinde yer alan 16 bankadan 13’ünün durumunu do¤ru öngörürken, ay›rma analizinde bu say› 12’de kalm›flt›r. ‹ki yöntem aras›ndaki söz konusu farkl›l›k çok küçük oldu¤u için bir modelin di¤erine üs-tün oldu¤unu söylemek mümkün de¤ildir. Zira iki modelin geçerlilik verileri üzerinde-ki baflar›lar› aras›nda anlaml› bir farkl›l›¤›n olup olmad›¤› Z testi yap›larak araflt›r›lm›fl ve Z de¤eri 0,429 bulunmufltur. Yap›lan hesaplamalar Ek 2’de verilmifltir.
fifieekkiill 55:: ((ÖÖzzkkaayynnaakk ++ TTooppllaamm KKaarr))//((MMeevvdd..++MMeevv..DD››flfl›› KKaayy..)) ((11..33..)) OOrraann››nnaa ‹‹lliiflflkkiinn OOllaarraakk SSiinniirrsseell BBuullaann››kk A
A¤¤ MMooddeellii TTaarraaff››nnddaann GGeelliiflflttiirriilleenn FFoonnkkssiiyyoonn
fifieekkiill 66:: FFaaiizz GGiiddeerrlleerrii//OOrrtt..GGööttüürrüüllüü AAkkttiifflleerr ((55..66..)) OOrraann››nnaa ‹‹lliiflflkkiinn OOllaarraakk SSiinniirrsseell BBuullaann››kk AA¤¤ MMooddeellii TTaarraaff››nnddaann GGeelliiflflttiirriilleenn FFoonnkkssiiyyoonn
fifieekkiill 77:: fifiuubbee BBaaflfl››nnaa KKrreeddii ((88..66..)) OOrraann››nnaa ‹‹lliiflflkkiinn OOllaarraakk SSiinniirrsseell BBuullaann››kk AA¤¤ MMooddeellii TTaarraaff››nnddaann G Geelliiflflttiirrii--lleenn FFoonnkkssiiyyoonn
fifieekkiill 88:: ((ÖÖzzkkaayynnaakk ++ TTooppllaamm KKaarr))//((MMeevvdd..++MMeevv..DD››flfl›› KKaayy..)) ((11..33..)) vvee FFaaiizz GGiiddeerrlleerrii//OOrrtt..GGööttüürrüüllüü AAkkttiifflleerr ((55..66..)) OOrraann››nnaa ‹‹lliiflflkkiinn OOllaarraakk GGeelliiflflttiirriilleenn FFoonnkkssiiyyoonn
fifieekkiill 99:: ((ÖÖzzkkaayynnaakk ++ TTooppllaamm KKaarr))//((MMeevvdd..++MMeevv..DD››flfl›› KKaayy..)) ((11..33..)) vvee fifiuubbee BBaaflfl››nnaa KKrreeddii ((88..66..)) OOrraann››nnaa ‹‹lliiflflkkiinn OOllaarraakk GGeelliiflflttiirriilleenn FFoonnkkssiiyyoonn
fifieekkiill 1100::FFaaiizz GGiiddeerrlleerrii//OOrrtt..GGööttüürrüüllüü AAkkttiifflleerr ((55..66..)) vvee fifiuubbee BBaaflfl››nnaa KKrreeddii ((88..66..)) OOrraann››nnaa ‹‹lliiflflkkiinn OOllaarraakk G Gee--lliiflflttiirriilleenn FFoonnkkssiiyyoonn
fiekil 5-7’de 3 finansal orana iliflkin olarak sinirsel bulan›k a¤ modeli taraf›ndan ge-lifltirilen fonksiyonlar yer almaktad›r. Buna göre (Özkaynak + Toplam Kar)/(Mevd. + Mev. D›fl› Kay.) oran›n›n negatif de¤erlerinde bankalar›n baflar›s›z grubuna atanma olas›l›¤› bulunmaktad›r. Bu oran›n pozitif de¤erler almas› ile birlikte, özellikle 10 ile 30 de¤erleri aras›nda bankalar›n baflar›l› gruba atanma olas›l›klar›n›n yüksek oldu¤u
görülmektedir. Faiz Giderleri/Ort.Götürülü Aktifler oran›n›n 10 ile 20 de¤erleri ara-s›nda bankalar›n baflar›l› gruba atanma olas›l›¤› yüksekken, bu oran›n artmas›yla bir-likte bu olas›l›¤›n gittikçe azald›¤› da fiekil 6’da görülmektedir. fiube Bafl›na Kredi de-¤iflkenine iliflkin olarak sinirsel bulan›k a¤ modelinin gelifltirmifl oldu¤u fonksiyon fie-kil 7’de verilmifltir. Burada da fiube Bafl›na Kredi tutar›n›n 5 milyon liray› aflmas› ile birlikte bankalar›n baflar›l› grubuna atanma olas›l›¤›n›n oldu¤u görülürken, bu tuta-r›n artan de¤erlerinde baflar›l› gruba atanma olas›l›¤›n›n da artt›¤› görülmektedir.
fiekil 8-10’da ise söz konusu oranlar›n ikiflerli olarak kullan›lmas› ile oluflturulan fonksiyonlar yer almaktad›r. Ba¤›ms›z de¤iflkenler ikili olarak ele al›nd›¤›nda da (Öz-kaynak + Toplam Kar)/(Mevd.+Mev. D›fl› Kay.) oran›n›n negatif de¤erlerinde ve Faiz Giderleri/Ort.Götürülü Aktifler oran›n›n 18 ile 25 de¤erleri aras›nda bankalar›n bafla-r›s›z grubuna atanma olas›l›¤› bulunmaktad›r. Faiz Giderleri/Ort.Götürülü Aktifler oran›n›n ayn› de¤erlerinde (Özkaynak + Toplam Kar)/(Mevd.+Mev. D›fl› Kay.) oran›-n›n 20 de¤erinin aflmas›yla birlikte bankalar›n baflar›l› gruba atanma olas›l›¤› yüksek-tir. (Özkaynak + Toplam Kar)/(Mevd.+Mev. D›fl› Kay.) oran›n›n negatif de¤erlerinde ve fiube Bafl›na Kredi 8 milyon TL’ye kadar olan de¤erlerinde bankalar›n baflar›s›z grubuna atanma ihtimali yüksektir. Di¤er taraftan (Özkaynak + Toplam Kar)/(Mevd.+Mev. D›fl› Kay.) oran›n›n çok yüksek de¤erlerinde fiube Bafl›na Kredi tu-tar› çok az da olsa bankalar›n baflar›l› gruba atanma ihtimallerinin yüksek oldu¤u da görülmektedir. fiube Bafl›na Kredi tutar›n›n 4 milyon TL’den daha az ve Faiz Giderle-ri/Ort.Götürülü Aktifler oran›n›n 18 ile 25 de¤erleri aras›nda bankalar›n baflar›s›z gru-buna atanma olas›l›¤› söz konusudur. fiube Bafl›na Kredi tutar›n›n 4 milyon TL’den yüksek de¤erlerinde ve Faiz Giderleri/Ort.Götürülü Aktifler oran›n›n 25’e kadar olan de¤erlerinde ise bankalar›n baflar›l› grubuna atanma olas›l›¤›n›n yüksek oldu¤u gö-rülmüfltür.
7. Sonuç
Banka finansal baflar›s›zl›klar›n›n öngörüsünde ilk olarak ay›rma analizi, logit ve probit gibi istatistiksel modeller kullan›lm›flt›r. Ancak istatistiksel modellerin bir tak›m varsay›mlar›n›n bulunmas› ve bu varsay›mlar›n kimi zaman sa¤lanamamas› örneklem üzerinde elde edilen baflar›n›n genellefltirilmesi konusunda baz› sak›ncalar do¤ur-maktad›r. Yapay zekâ teknolojilerinden biri olan yapay sinir a¤lar› ise bu alandaki yüksek öngörü baflar›s› ile ön plana ç›kmaktad›r. Ancak yapay sinir a¤ modeline ilifl-kin katsay›lar, a¤›n içindeki a¤›rl›klar üzerinde sakl› kald›¤› için yorumlanamamakta-d›r. Dolay›s›yla ba¤›ms›z de¤iflkenlerin model içerisinde ne flekilde kullan›larak karar al›nd›¤› bilinememektedir.
Bu çal›flmada, Türk bankac›l›k sektöründe erken uyar› sistemi olmas› amac›yla, banka finansal baflar›s›zl›klar›n›n öngörüsü melez bir yapay zekâ teknolojisi olan si-nirsel bulan›k a¤ modeli ile gerçeklefltirilmifltir. ‹statistiksel yöntemlerde varsay›mlar›n
ihlal edilmesinden dolay› yaflanan s›k›nt›lar sinirsel bulan›k a¤ modelinde yaflanma-maktad›r. Ayn› zamanda yapay sinir a¤lar› taraf›ndan modelin nas›l karar ald›¤›n›n bilgisi sinirsel bulan›k a¤ modeli ile yorumlanabilmektedir. Sinirsel bulan›k a¤ ile ku-rulan modelden elde edilen öngörü baflar›s› e¤itim ve geçerlilik seti için s›ras›yla %100 ve %81,25 olarak bulunmufltur. Ayn› örneklem üzerinde ay›rma analizinin ön-görü baflar›s› e¤itim ve geçerlilik seti için s›ras›yla %95,83 ve %75’dir. Ancak iki mo-delin performans› aras›ndaki farkl›l›k istatistiksel olarak anlaml› bulunmam›flt›r.
Bu araflt›rmada sinirsel bulan›k a¤ modelinden yüksek öngörü baflar›s› elde edil-mesinin yan›nda modelin nas›l karar ald›¤› da görülebilmifltir. Buna göre sinirsel bu-lan›k a¤ modeli (Özkaynak + Toplam Kar)/(Mevd.+Mev. D›fl› Kay.) oran›n›n düflük, Faiz Giderleri/Ort.Götürülü Aktifler oran›n›n yüksek ve fiube Bafl›na Kredi tutar›n›n düflük de¤erlerinde bankalar› baflar›s›z olarak de¤erlendirmifltir. (Özkaynak + Toplam Kar)/(Mevd.+Mev. D›fl› Kay.) oran›n›n ve fiube Bafl›na Kredi tutar›n›n artmas›, Faiz Gi-derleri/Ort.Götürülü Aktifler oran›n›n düflük de¤erlerinde ise sinirsel bulan›k a¤ mo-delinin bankalar› baflar›l› olarak de¤erlendirdi¤i görülmüfltür.
Finansal baflar›s›zl›k öngörü çal›flmalar›nda kurulan modeller genellikle yüksek ön-görü baflar›s›na odaklanmaktad›r. Yüksek önön-görünün yan›nda de¤iflkenlerin model taraf›ndan nas›l kullan›larak karar al›nd›¤› da önemlidir. Bu araflt›rmada sinirsel bula-n›k a¤ modelinin de¤iflkenleri ne flekilde kullan›larak karar ald›¤› yorumlanmaya çal›-fl›lm›flt›r. Sinirsel bulan›k a¤ modelinin ba¤›ms›z de¤iflkenleri, ay›rma analiz fonksiyo-nunda yer alan finansal oranlard›r. Gruplar aras›nda anlaml› bulunan di¤er finansal oranlar kullan›larak da benzer modeller gelifltirilebilir. Yaln›z sinirsel bulan›k a¤ mo-delinin s›n›rl› say›da de¤iflkenle model kurabildi¤i de unutulmamal›d›r.
Kaynakça
1. Abonyi, J.. (2003). Fuzzy model identification for control: Birkhauser.
2. Akkoç, S.. (2007). “Finansal Baflar›s›zl›¤›n Öngörülmesinde Sinirsel Bulan›k A¤ Modelinin Kullan›m› ve Ampirik Bir Çal›flma” Dumlup›nar Üniversitesi Sosyal Bi-limler Enstitüsü, Yay›nlanmam›fl Doktora Tezi, Kütahya.
3. Aktafl, R., Do¤anay, M. M. ve Y›ld›z, B.. (2003) “Mali Baflar›s›zl›¤›n Öngörülme-si: ‹statistiksel Yöntemlerle Yapay Sinir A¤› Karfl›laflt›rmas›”, Ankara Üniversitesi S.B.F. Dergisi, C.58, S.4, 2-13.
4. Alam P., Booth D., Lee K. ve Thordarson T.. (2000). “The use of fuzzy cluste-ring algorithm and self-organizing neural network for identifying potentially fai-ling banks: An experiment study”, Expert Systems with Applications, Vol. 18, 185-199.
5. Altman, Edward I.. (1968). “Financial ratios, discriminant analysis and the pre-diction of corporate bankruptcy”, The Journal of Finance, Vol.23, No.4, Sep-tember, 589-609.
6. Bankac›l›k Düzenleme ve Denetleme Kurumu, (2001) Bankac›l›k Sektörü Yeni-den Yap›land›rma Program›, www.bddk.org.tr
7. Bankac›l›k Düzenleme ve Denetleme Kurumu, (2003) Bankac›l›k Sektörü Yeni-den Yap›land›rma Program› Geliflme Raporu-(VII), www.bddk.org.tr
8. Bankac›l›k Düzenleme ve Denetleme Kurumu, (2008) Finansal Piyasalar Raporu, Mart 2008, www.bddk.org.tr
9. Bell T.B.. (1997). “Neural nets or the logit model: A comparison of each mo-del’s ability to predict commercial bank failures, International Journal of Intelli-gent Systems in Accounting”, Finance and Management, Vol. 6, 249–264. 10. Benli, K.Y.. (2005) “Bankalarda Mali Baflar›s›zl›¤›n Öngörülmesi Lojistik
Regres-yon ve Yapay Sinir A¤› Karfl›laflt›rmas›”, Gazi Üniversitesi Endüstriyel Sanatlar E¤itim Fakültesi Dergisi, Say› 16, 31-46.
11. Boyac›oglu, M. A., Kaya Y. ve Baykan Ö.K.. (2009). “Predicting bank financial failures using neural networks, support vector machines and multivariate statis-tical methods: A comparative analysis in the sample of savings deposit insuran-ce fund (SDIF) transferred banks in Turkey Expert Systems with Applications”, Expert Systems with Applications, Vol. 36, Issue 2, Part 2, 3355-3366.
12. Canbas, S., Cabuk A. ve Kilic S.B.. (2005). “Prediction of commercial bank failu-re via multivariate statistical analysis of financial structufailu-re: The Turkish case”, European Journal of Operational Research, Vol. 166, 528–546.
13. Celikyilmaz, A., Türkflen, B.I., Aktafl, R., Doganay, M.M. ve Ceylan B.N.. (2009). “Increasing accuracy of two-class pattern recognition with enhanced fuzzy functions” Expert Systems with Applications, Vol. 36, 1337-1354.
14. Chauhan, N., Ravi, V. ve Chandra, K.D.. (2009). “Differential evolution trained wavelet neural networks: Application to bankruptcy prediction in banks” Expert Systems with Applications, Vol. 36, 7659-7665.
15. Chen, H.J., Huang, S.Y. ve Lin, C.S.. (2009) “Alternative diagnosis of corporate bankruptcy: A neuro fuzzy approach” Expert Systems with Applications, Vol. 36, 7710-7720.
16. Cielen A., Peters L. ve Vanhoof K.. (2004). “Bankruptcy prediction using a da-ta envelopment analysis”, European Journal of Operational Research, Vol. 154, 526–532.
17. Çinko, M. ve Avc›, E.. (2008). “CAMELS Dereceleme Sistemi ve Türk Ticari Ban-kac›l›k Sektöründe Baflar›s›zl›k Tahmini” BDDK BanBan-kac›l›k ve Finansal Piyasalar, Cilt.2 Say›.2, 25-48.
18. Davalos, S., Gritta R.D. ve Chow G.. (1999). “The application of a neural net-work approach to predicting bankruptcy risks facing the major US air carriers: 1979–1996” Journal of Air Transport Managements, Vol. 5, No. 2, April, 81-86. 19. Do¤anay, M. M., Ceylan N.B. ve Aktafl R.. “Predicting financial failure of the
Turkish Banks”, Annals of Financial Economics, Vol. 1, 97-117.
20. Elmas, Ç.. (2003). Bulan›k Mant›k Denetleyiciler, Birinci Bask›, Seçkin Yay›nc›l›k, Ankara, Nisan.
21. Jang, S.R., Sun, C.T. ve Mizutani, E.. (1997). “Neuro-Fuzzy and Soft Compu-ting”, Prentice-Hall,Inc.
22. Jo, H., Han I. ve Lee H.. (1997). “Bankruptcy prediction using case-based reaso-ning, neural networks, and discriminant analysis” Expert Systems with Applica-tions, Vol. 13, Issue 2, 97-108.
23. Kao C., S. ve Liu T.. (2004). “Prediction bank performance with financial fore-casts: A case of Taiwan commercial banks”, Journal of Banking & Finance, Vol. 28, 2353–2368.
24. Karacabey A.A.. (2007). “Bank failure prediction using modified minimum de-viation model”, International Research Journal of Finance and Economics, Vol. 12, 147-159.
25. Kolari J., Glennon D., Shin H. ve Caputo M.. (2002). “Predicting large US com-mercial bank failures”, Journal of Economics and Business, Vol. 54, No. 32-1, 361–387.
26. Kosko,B. ve Isaka,S.. (1992). “Fuzzy Logic”, Scientific American Science, Vol. 1, No. 1.
27. Lee, K., Booth D. ve Alam P.. (2005). “A comparison of supervised and unsu-pervised neural networks in predicting bankruptcy of korean firms”, Expert Systems with Applications, Vol. 29, No. 1, July, 1-16.
28. Leshno M. ve Spector Y.. (1996). “Neural network prediction analysis: The ban-kruptcy case”, Neurocomputing Vol. 10 125-147.
29. Martin, D. (1977).. “Early warning of bank failure”, Journal of Banking and Fi-nance, Vol. 1, 249-276.
30. Meyer, Paul A. ve Pifer H. W.. (1970). “Prediction of bank failures”, The Jour-nal of Finance, Vol. 25, September, 853-858.
31. Ng, G.S., Quek C. ve Jiang H.. (2008). “FCMAC-EWS: A bank failure early war-ning system based on a novel localized pattern learwar-ning and semantically asso-ciative fuzzy neural network”, Expert Systems with Applications, Vol. 34, 989–1003.
32. Nguyen, M.N., Shi, D. ve Quek, C.. (2008). “A nature inspired Ying–Yang ap-proach for intelligent decision support in bank solvency analysis” Expert Systems with Applications, Vol. 34, 2576-2587.
33. Ravi P. Kumar ve Ravi V.. (2007). “Bankruptcy prediction in banks and firms vi-a stvi-atisticvi-al vi-and intelligent techniques”, A review, Europevi-an Journvi-al of Opervi-a- Opera-tional Research, Vol. 180, 1–28.
34. Ravi V. ve Pramodh C.. (2008). “Threshold accepting trained principal compo-nent neural network and feature subset selection: Application to bankruptcy prediction in banks”, Applied Soft Computing, Vol. 8, Issue 4, 1539-1548. 35. Salchenberger L., Mine C. ve Lash N. (1992). Neural networks: A tool for
pre-dicting thrift failures, Decision Sciences Vol. 23, 899–916.
36. Sevim, S., Y›ld›z, B. ve Akkoç, S.. (2008). “Bankruptcy Prediction Using Neuro-Fuzzy Modeling and an Empirical Analysis” Second International Credit Risk and Rating Conference, Hacettepe University, May 8-10, Ankara, Turkey.
37. Sharda R. ve Wilson R.L.. (1993). “Performance comparison issues in neural net-work experiments for classification problems”, Proceedings of the 26th Hawa-i InternatHawa-ional Conference on System ScHawa-ientHawa-ists.
38. Sinkey, J.F. (1975).. “A multivariate statistical analysis of the characteristics of problem banks”, Journal of Finance, Vol. 30, 21-36.
39. Swicegood P. ve Clark J.A.. (2001). “Off-site monitoring for predicting, bank un-der performance: A comparison of neural networks, discriminant analysis and professional human judgment”, International Journal of Intelligent Systems in Accounting, Finance and Management , Vol.10, 169–186.
40. Tam K.Y. (1991).. “Neural network models and the prediction of bank ban-kruptcy”, Omega, Vol. 19, No. 5, 429–445.
41. Tam K.Y. ve Kiang M.. (1992). “Predicting bank failures: A neural network ap-proach”, Decision Sciences, Vol. 23, 926–947.
42. Tan N.W. ve Dihardjo H.. (2001). “A study on using artificial neural networks to develop an early warning predictor for credit union financial distress with comparison to the probit model”, Managerial Finance, Vol. 27, No. 4, 56-77. 43. Tsukuda J., S. ve Baba I.. (1994). “Predicting Japanese corporate bankruptcy in
terms of finance data using neural network”, Computers and Industrial Engi-neering, Vol. 27, No. 1–4, 445-448.
44. Tung W.L., Quek C. ve Cheng P.. (2004). “GenSo-EWS: A novel neural-fuzzy ba-sed early warning system for predicting bank failures”, Neural Networks, Vol. 17, 567–587.
45. West R.C. (1985).. “A factor analytic approach to bank condition”, Journal of Banking and Finance, Vol. 9, 253–266.
46. Wilson R.L. ve Sharda R.. (1994). “Bankruptcy prediction using neural net-works”, Decision Support Systems, Vol. 11, 545–557.
47. Yang, Z.R., Platt M.B. ve Platt H.D.. (1999). “Probabilistic neural networks in bankruptcy prediction” Journal of Business Research, Vol. 44, No. 2, February, 67 - 74.
48. Y›ld›z, B.. (1999). “Finansal Baflar›s›zl›¤›n Öngörülmesinde Yapay Sinir A¤› Kul-lan›m› ve Ampirik Bir Çal›flma” Dumlup›nar Üniversitesi Sosyal Bilimler Enstitüsü, Yay›nlanmam›fl Doktora Tezi, Kütahya.
49. Zadeh, L. (1965). “Fuzzy Sets”, Information and Control, Vol. 8, No. 3, 338-353.
50. Zhang, G., Hu M.Y., Patuwo B.E. ve Indro D.C.. (1999). “Artificial neural net-works in bankruptcy prediction: General framework and cross-validation analy-sis” European Journal of Operational Research, Vol. 116, 16-32.
EEkk 11:: ÖÖrrnneekklleemmii OOlluuflflttuurraann BBaannkkaallaarraa ‹‹lliiflflkkiinn BBiillggiilleerr
Not: BDDK, Bankac›l›k Sektörü Yeniden Yap›land›rma Program›, 15 May›s 2001 s. 15; BDDK, Bankac›l›k Sektörü Yeniden Yap›land›rma Program› Geliflme Raporu (VII) s. 26. ; BDDK Ayl›k Bülten Y›l:4 Say›:33 Ocak 2008. * Oyakbank A.fi. 02.01.2008 tarihi itibariyle yabanc› bankalar grubunda s›n›fland›r›lmaktad›r.
Faaliyet 6DKLSOLN$oÖVÖQGDQ )RQD'HYLU7DULKL 0DOL7DEOR<ÖOÖ %DQND$GÖ
Mevduat Yerli özel .DVÖP 7UN7LFDUHW%DQNDVÖ$ô Mevduat Yerli özel $UDOÖN %DQN(NVSUHV$ô Mevduat Yerli özel 2FDN Interbank
Mevduat Yerli özel $UDOÖN (JHEDQN$ô
Mevduat Yerli özel $UDOÖN <XUW7LFDUHWYH.UHGL%DQNDVÖ$ô Mevduat Yerli özel $UDOÖN 6PHUEDQN$ô Mevduat Yerli özel $UDOÖN (VNLöHKLU%DQNDVÖ7$ô
Mevduat Yerli özel $UDOÖN 7UNL\H7WQFOHU%DQNDVÖ<DöDUEDQN$ô Mevduat Yerli özel (NLP (WLEDQN$ô
Mevduat Yerli özel 7HPPX] %DQN.DSLWDO7UN$ô Mevduat Yerli özel $UDOÖN 'HPLUEDQN7$ô Mevduat Yerli özel ôXEDW 8OXVDO%DQN7$ô Mevduat Yerli özel 0DUW óNWLVDW%DQNDVÖ7$ô Mevduat Yerli özel 7HPPX] .HQWEDQN$ô
Mevduat Yerli özel 7HPPX] (JH*L\LP6DQD\LFLOHUL%DQNDVÖ$ô Mevduat Yerli özel 7HPPX] 6LWHEDQN$ô
Mevduat Yerli özel 7HPPX] 0LOOL$\GÖQ%DQNDVÖ7$ô 7DULöEDQN Mevduat Yerli özel 7HPPX] %D\ÖQGÖUEDQN$ô
Mevduat Yerli özel .DVÖP 7RSUDNEDQN$ô
Mevduat Yerli özel - 2000 $GDEDQN$ô
Mevduat Yerli özel - 2000 $NEDQN7$ô
Mevduat Yerli özel - 2000 $OWHUQDWLI%DQN$ô
Mevduat Yerli özel - 2000 $QDGROXEDQN$ô
Mevduat Yerli özel - 2000 %LUOHöLN7UN.|UIH]%DQNDVÖ$ô
Mevduat <DEDQFÖ - 2000 'HQL]EDQN$ô
Mevduat Yerli özel - 2000 )LED%DQN$ô
Mevduat <DEDQFÖ - 2000 )LQDQV%DQN$ô
Mevduat Yerli özel - 2000 .RoEDQN$ô
Mevduat Yerli özel - 2000 01*%DQN$ô
Mevduat <DEDQFÖ - 2000 2\DN%DQN$ô
Mevduat Yerli özel - 2000 3DPXNEDQN7$ô
Mevduat Yerli özel - 2000 ôHNHUEDQN7$ô
Mevduat Yerli özel - 2000 7HNVWLO%DQNDVÖ$ô
Mevduat Yerli özel - 2000 7XUNLVK%DQN$ô
Mevduat Yerli özel - 2000 7UN'Öö7LFDUHW%DQNDVÖ$ô
Mevduat Yerli özel - 2000 7UN(NRQRPL%DQNDVÖ$ô
Mevduat Yerli özel - 2000 7UNL\H*DUDQWL%DQNDVÖ$ô
Mevduat Yerli özel - 2000 7UNL\HóPDU%DQNDVÖ7$ô
Mevduat Yerli özel - 2000 7UNL\Hóö%DQNDVÖ$ô
EEkk 22:: ZZ TTeessttii SSoonnuuççllaarr›› p=n1P(AA) + n2P(SBA) n1+ n2 p= 16(0,75)+(0,8125) 16+16 p=12+13 32 p = 0,78125 q = 1 − p q = 1 − 0,78125 q = 1 − 0,21875
ZHes= P(SBA) − P(AA)
p.q. 1 n1+ 1 n2 ZHes= 0,78125.0,21875. 1 16+ 1 16 0,78125 – 0,75 ZHes= 0,0625 0,17.0,125 ZHes= 0,0625 0,2125 ZHes= 0,0625 0,1458 ZHes= 0,429
