Yatırım fonları net varlık değerlerinin yapay sinir ağları yöntemi ile tahmin edilmesi
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu tez çalışmasının amacı, Türkiye'deki yatırım fonlarının net varlık değerlerinin, Yapay Sinir Ağları (YSA) yöntemiyle tahmin edilmesidir.19 adet A tipi ve 19 adet B tipi olmak üzere toplam 38 adet yatırım fonunun net varlık değerlerinin tahmin edilmesi için 6 adet makro ekonomik değişkenden yararlanılmıştır. Bu makro ekonomik değişkenler Aktif Tahvilin Faiz Oranı (ATFAİZ), ABD Doları/TL Kuru (DK), İMKB-100 Endeksi (İMKB100), Para Arzı (M2), Sanayi Üretim Endeksi (SUE) ve Toptan Eşya Fiyat Endeksi (TEFE)'dir.Çalışma Ocak 2001- Aralık 2008 dönemine ait, tüm değişkenler için aylık kapanış fiyatlarından oluşmaktadır. Bu çalışmada yatırım fonu net varlık değeri hem yapay sinir ağları hem de regresyon modeli çerçevesinde öngörülmüş ve her iki yöntem için elde edilen sonuçların öngörü performansları karşılaştırılmıştır.Analiz sonuçları, yatırım fonları net varlık değerlerini tahmin etmek için geliştirilen YSA modellerinin çok düşük hata düzeyinde ve regresyon yönteminden daha başarılı sonuçlar verdiğini ortaya koymuştur. The purpose of this study is to forecast net asset values of Turkish mutual funds using Artificial Neural Networks (ANN) method. In order to forecast net asset values of 38 mutual funds (19 A type and 19 B type), 6 macro economic variables are used. These variables are Active Bond Interest Rate, USD/TL Exchange Rate, ISE National 100 Index, M2 Money Supply, Industrial Production Index and Wholesale Price Index.The forecasting period consists of monthly closing prices for these variables in the period of January 2001-December 2008. In this study, net asset values of mutual funds have been forecasted within the frame of both Artificial Neural Networks and regression model and forecasting performances of the results obtained from two methods have been compared.Analysis results reveal that ANN method is capable of forecasting net asset values of mutual funds at a very low error level. Furthermore, forecasting capability of ANN is compared with regression method and ANN method seems to outperform regression method.
Collections