Araştırma Makalesi
BibTex RIS Kaynak Göster

Forecasting the returns of pension investment funds in Turkey with artificial neural network

Yıl 2021, Cilt: 42 Sayı: 4, 942 - 950, 29.12.2021

Fatih Çemrek Özge Demir

Öz

Individuals start to experience the retirement period after completing their active working time. During the retirement period, the income generated during the work period is reduced. The Personal Pension System was organized on the basis that both individuals can able to generate additional income during the retirement period and the savings are increased and remain in the system. This system aims to enable individuals to increase their income during the retirement period through their savings.
Funds operated according to the religious property principles created to drive investment into savings accumulated in individual pension accounts of participants seeking to retire and build up wealth are called pension funds. Pension investment funds are of great importance to our capital market and the future of our country.

Anahtar Kelimeler

Pension Mutual Funds Artificial Neural Networks Financial Forecasting

Kaynakça

  • [1] Emeklilik Gözetim Merkezi, Bireysel-Emeklilik-Nedir? https://www.egm.org.tr/bireysel-emeklilik/bireysel-emeklilik-nedir (2020).
  • [2] Korkmaz T., Türkiyede’ki Emeklilik Fonlarının Perfonmans Ölçümü ve Fon Yöneticilerinin Zamanlama Yeteneği, Akdeniz Üniversitesi İ.B.F Dergisi, (14) (2007) 66-93.
  • [3] Zor İ., OECD Ülkeleri ve Türkiye Bağlamında Bir Değerlendirme, Reasürör Dergisi, 70 (2008) 6-20.
  • [4] Qi M., Zhang P.G., An Investigation of Model Selection Criteria for Neural Network Time Series Forecasting, European Journal of Operational Research, 132 (3) (2001) 666-680.
  • [5] Eğrioğlu E., Aladağ Ç.H., Yapay Sinir Ağları ve Arıma Modellerin Melez Yaklaşımı ile Zaman Serilerinde Öngörü, İstanbul Üniversitesi VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs 2005, İstanbul.
  • [6] Avcı E., Forecasting Daily and Sessional Returns of the ISE-100 Index with Neural Networks Models, Doğuş Üniversitesi Dergisi, 8 (2) (2007) 128-142.
  • [7] Wallace M.P., Neural Networks And their Application to Finance, Business Intelligence Journal, (July) (2008) 67-76.
  • [8] Düzgün R., A Comparison of Artificial Neural Networks and ARIMA Models’ Success in GDP Forecast, Marmara Üniversitesi İ.İ.B.F. Dergisi, 25 (2) (2008) 165-176.
  • [9] Nitin N.M., Saxena V. P., Pardasani, K. R., Next Day Stock Forecasting An Application of ANN and ARIMA, The IUP, International Journal of Theoretical and Applied Finance, 17 (1) (2011) 70-84.
  • [10] Irmak S., Köksal C.D., Asilkan Ö., Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği Yöntemleri ile Tahmin Edilmesi, Uluslararası Alanya İşletme Fakültesi Dergisi, 4 (1) (2012) 101-114.
  • [11] Akel V., Karacameydan F., Yatırım Fonları Net Varlık Değerlerinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi, Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12 (2012) 87-105.
  • [12] Keskin Benli Y., Yıldız A., Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 42 (2014) 213-224.
  • [13] Pekmezci A., Dilek M. (2014). The Comparison of Performances of Widely Used Cointegration Tests, Communications in Statistics- Simulation and Computation, 45(6) 2070-2080.
  • [14] Ertuğrul İ. Bekin A., Türkiye’de Bazı Temel Gıda Fiyatları İçin Yapay Sinir Ağları ve Zaman Serisi Tahmin Modellerinin Karşılaştırmalı Analizi, Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7 (13) (2016) 253-280.
  • [15] Kızılkaya O., Türkiye’nin Enflasyon ve İşsizlik Oranının Yapay Sinir Ağları ve Box-Jenkins Yöntemiyle Tahmini Social Sciences Studies Journal, 3 (12) (2017) 2197-2207.
  • [16] Koç S., Onacak D., Yapay Sinir Ağları ile Emeklilik Yatırım Fonu Hisse Senedi Fiyatlarının Tahmini, Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 3 (3) (2018) 590-600. [17] Fausett L., (1994). Fundamentals of Neural Networks. Prentice Hall USA (1994).
  • [18] Güneri N., Apaydın A., Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı, Ticaret ve Turizm Eğitim Fakültesi Dergisi, 1 (2004) 170-188.
  • [19] Indro D.C., Jianga C.X., Patuwo B.E., Zhang G.P., Prediction Mutual Fund Performance Using Artificial Neural Networks, Omega, International Journal of Management Science, 27 (3) (1999) 373-380.
  • [20]Öztemel E., Yapay Sinir Ağları. 2. Basım. Papatya Yayıncılık İstanbul (2006).
  • [21] Tolon M., Güneri Tosunoğlu N., (2008). Tüketici Tatmini Verilerinin Analizi: Yapay Sinir Ağları ve Regresyon Analizi Karşılaştırması, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10 (2), 247-259.
  • [22] Çuhadar M., Güngör, İ., Göksu, A., Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırılmalı Analizi: Antalya İline Yönelik Bir Uygulama, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,14 (1) (2009) 99-114.

Yıl 2021, Cilt: 42 Sayı: 4, 942 - 950, 29.12.2021

Fatih Çemrek Özge Demir

Öz

Kaynakça

  • [1] Emeklilik Gözetim Merkezi, Bireysel-Emeklilik-Nedir? https://www.egm.org.tr/bireysel-emeklilik/bireysel-emeklilik-nedir (2020).
  • [2] Korkmaz T., Türkiyede’ki Emeklilik Fonlarının Perfonmans Ölçümü ve Fon Yöneticilerinin Zamanlama Yeteneği, Akdeniz Üniversitesi İ.B.F Dergisi, (14) (2007) 66-93.
  • [3] Zor İ., OECD Ülkeleri ve Türkiye Bağlamında Bir Değerlendirme, Reasürör Dergisi, 70 (2008) 6-20.
  • [4] Qi M., Zhang P.G., An Investigation of Model Selection Criteria for Neural Network Time Series Forecasting, European Journal of Operational Research, 132 (3) (2001) 666-680.
  • [5] Eğrioğlu E., Aladağ Ç.H., Yapay Sinir Ağları ve Arıma Modellerin Melez Yaklaşımı ile Zaman Serilerinde Öngörü, İstanbul Üniversitesi VII. Ulusal Ekonometri ve İstatistik Sempozyumu, 26-27 Mayıs 2005, İstanbul.
  • [6] Avcı E., Forecasting Daily and Sessional Returns of the ISE-100 Index with Neural Networks Models, Doğuş Üniversitesi Dergisi, 8 (2) (2007) 128-142.
  • [7] Wallace M.P., Neural Networks And their Application to Finance, Business Intelligence Journal, (July) (2008) 67-76.
  • [8] Düzgün R., A Comparison of Artificial Neural Networks and ARIMA Models’ Success in GDP Forecast, Marmara Üniversitesi İ.İ.B.F. Dergisi, 25 (2) (2008) 165-176.
  • [9] Nitin N.M., Saxena V. P., Pardasani, K. R., Next Day Stock Forecasting An Application of ANN and ARIMA, The IUP, International Journal of Theoretical and Applied Finance, 17 (1) (2011) 70-84.
  • [10] Irmak S., Köksal C.D., Asilkan Ö., Hastanelerin Gelecekteki Hasta Yoğunluklarının Veri Madenciliği Yöntemleri ile Tahmin Edilmesi, Uluslararası Alanya İşletme Fakültesi Dergisi, 4 (1) (2012) 101-114.
  • [11] Akel V., Karacameydan F., Yatırım Fonları Net Varlık Değerlerinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi, Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12 (2012) 87-105.
  • [12] Keskin Benli Y., Yıldız A., Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları ile Öngörüsü, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 42 (2014) 213-224.
  • [13] Pekmezci A., Dilek M. (2014). The Comparison of Performances of Widely Used Cointegration Tests, Communications in Statistics- Simulation and Computation, 45(6) 2070-2080.
  • [14] Ertuğrul İ. Bekin A., Türkiye’de Bazı Temel Gıda Fiyatları İçin Yapay Sinir Ağları ve Zaman Serisi Tahmin Modellerinin Karşılaştırmalı Analizi, Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7 (13) (2016) 253-280.
  • [15] Kızılkaya O., Türkiye’nin Enflasyon ve İşsizlik Oranının Yapay Sinir Ağları ve Box-Jenkins Yöntemiyle Tahmini Social Sciences Studies Journal, 3 (12) (2017) 2197-2207.
  • [16] Koç S., Onacak D., Yapay Sinir Ağları ile Emeklilik Yatırım Fonu Hisse Senedi Fiyatlarının Tahmini, Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 3 (3) (2018) 590-600. [17] Fausett L., (1994). Fundamentals of Neural Networks. Prentice Hall USA (1994).
  • [18] Güneri N., Apaydın A., Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı, Ticaret ve Turizm Eğitim Fakültesi Dergisi, 1 (2004) 170-188.
  • [19] Indro D.C., Jianga C.X., Patuwo B.E., Zhang G.P., Prediction Mutual Fund Performance Using Artificial Neural Networks, Omega, International Journal of Management Science, 27 (3) (1999) 373-380.
  • [20]Öztemel E., Yapay Sinir Ağları. 2. Basım. Papatya Yayıncılık İstanbul (2006).
  • [21] Tolon M., Güneri Tosunoğlu N., (2008). Tüketici Tatmini Verilerinin Analizi: Yapay Sinir Ağları ve Regresyon Analizi Karşılaştırması, Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10 (2), 247-259.
  • [22] Çuhadar M., Güngör, İ., Göksu, A., Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırılmalı Analizi: Antalya İline Yönelik Bir Uygulama, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,14 (1) (2009) 99-114.
Toplam 21 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular İstatistik
Bölüm Natural Sciences
Yazarlar

Fatih Çemrek 0000-0002-6528-7159

Özge Demir 0000-0002-3542-2954

Yayımlanma Tarihi 29 Aralık 2021
Gönderilme Tarihi 13 Ekim 2021
Kabul Tarihi 8 Aralık 2021
Yayımlandığı Sayı Yıl 2021Cilt: 42 Sayı: 4

Kaynak Göster

APA Çemrek, F., & Demir, Ö. (2021). Forecasting the returns of pension investment funds in Turkey with artificial neural network. Cumhuriyet Science Journal, 42(4), 942-950.