Related Posts Plugin for WordPress, Blogger...

Bilişim 2011 28. Ulusal Bilişim Kurultayı

Fotoğrafta ben yokum, ben fotoğrafı çekenim. Bir yanlış anlama olmasın.


Türkiye Bilişim Derneği TBD'nin organize ettiği Bilişim 2011 28. Ulusal Bilişim Kurultayı 26-29 Ekim 2011 tarihleri arasında Ankara'da JW Marriott Otelde gerçekleştirilmekte. Benim de birazdan "Yapay Sinir Ağları Kullanılarak Döviz Kuru Tahmini Üzerine Bir Çalışma" başlıklı bir bildiri sunumum olacak. Heyecanla sıramı bekliyorum. Ayrıntılar daha sonra geliyor.
Bu e-posta, Turkcell BlackBerry ile gönderilmiştir.

Neyse çok şükür hayırlısıyla yaptım sunumu. İnşallah birilerine bir faydası dokunur çalışmamızın. Bildirimi, 2006 yılında tamamladığım İşletme yüksek lisans tezimden özetleyerek çıkartmıştık. Biraz geç oldu ama oldu nihayetinde. o zamandan beri aklımın bir kenarında duruyordu bu iş. Temizlemiş oldum hiç olmazsa.

Bildiriye şu adresten: http://www.indirdur.net/files/1CXOXW3P/Bilisim2011_YSA_ile_Doviz_Kuru_Tahmini.zip

Teze de şuradan erişebilirsiniz: http://www.babamonk.com/2010/12/doviz-kuru-tahmininde-yapay-sinir.html#axzz1c472hd5f

Faydalı olması dileğimle.


Bildiri ayrıca aşağıdadır.

Yapay Sinir Ağları Kullanılarak Döviz Kuru Tahmini Üzerine Bir Çalışma

 

Ömür YILDIZ ESOGÜ FBE, Elk.Elkt. (Dr. Öğrencisi)
oyildiz@ogu.edu.tr      
  
Doç.Dr.Birol YILDIZ
ESOGÜ, İktisadi ve İdari Bilimler Fakültesi

Döviz kurlarının aldığı değerler bir zaman serisi şeklinde düzenlenebilir. Yapay Zekânın (Artificial Intelligence)  bir uygulaması olan Yapay Sinir Ağları (YSA – Artificial Neural Network) son yıllarda geleceği öngörmede; özellikle döviz kuru gibi lineer olmayan (non-lineer), birçok değişkene bağımlı zaman serilerinin tahmin edilmesinde önemli bir araç olmuştur.

Bu çalışmada da, USD’nin gelecekteki değerinin tahmin edilebilmesi için YSA ile oluşturulan bir model kullanılmıştır. Modele girdi olarak ise T.C. Merkez Bankası tarafından günlük olarak açıklanan ekonomik değişkenlerden 41 adet bağımsız parametre kullanılmıştır ve USD’nin ertesi günkü değeri bu parametrelerin gün sonu değerlerinden yola çıkılarak elde edilmeye çalışılmıştır.
Bu çalışmanın önemli hedeflerinden birisi de; zaman serilerini öngörmede YSA kullanacak araştırmacılara; ağın mimarisi, gizli katman sayısı, katmanlardaki yapay sinir hücresi sayısı, hangi eğitim algoritmalarını ve aktivasyon fonksiyonlarını kullanabilecekleri konusunda yol gösterebilmektir.

Yapılan denemelerde, birden fazla gizli katman içermesinin başarı oranını arttırmadığı fakat bunun yanında doğal olarak ağın çalışma hızını olumsuz yönde etkilediği tespit edilmiştir. Aynı şekilde, gizli katmanlarda kullanılan nöron sayısının arttırılmasının da ağın hata oranını düşürmediği ama ağın hızını hissedilir şekilde azalttığı görülmüştür. 

Değişik katman ve nöron sayılarında kurduğumuz ağlarda, türevlenebildiği için, geriye yayılım algoritmasında kullanılmaya en uygun olan aktivasyon fonksiyonlarından “Hiperbolik Tanjant Sigmoid” ve “Logaritmik Sigmoid” fonksiyonları kullanılmıştır. Denemelerimizde iki fonksiyonun ağlarımızda kullanımında önemli bir fark tespit edilememekle birlikte tansig’in daha başarılı sonuçlar ürettiği gözlemlenmiştir.

Anahtar Kelimeler

Yapay Zekâ, Yapay Sinir Ağları, Döviz Kuru Tahmini, Temel Analiz, Merkez Bankası, MATLAB, Geriye Yayılım Algoritması

Summary

The  values of the exchange rates can be arranged as a time series.  ANNs (Artificial Neural  Networks), which are  a branch of  Artificial  Intelligence have become an important  tools  for prediction of the future especially non –lineer series like exchange rates, in recent  years  .

Data were collected from the official web site of Central Bank of the Republic of Turkey. 41 economical parameters and variables which affect the fluctuations of the USD were used in this study.

As a result of this study we determined how affects these parameters such as the structure of ANN, number of layers in the ANN and artificial neurons in the layers, the training methods to reach the best solution. We have decided that ANNs can be used as a supplementary tool to predict future value and trend of the USD.

It is obvious that one of the most important aims of this study is being a guide to the researchers using ANN to predict time series according to network architecture, the number of hidden layers, the number of artificial neurons, training algorithms, and activation functions.

The most suitable activation functions of using  with the-back propagation algorithm are ,  “Hyperbolic  Tangent Sigmoid”  and ”Logarithmic Sigmoid” according to our experiments. Be cause, these functions can be derivated. The results of our experiments show that using these two functions in networks is not generate a big difference; however the  Tangent Sigmoid has more succesful results.

Keywords

Artificial Neural Networks, Exchange Rate Prediction, MATLAB, Central Bank of the Republic of Turkey, Back Propagation Algorithm

GİRİŞ

 Ekonomide gerek kişisel yatırım ve gerekse işletmelerin geleceklerini planlamaları açısından geleceğin öngörülebilmesi çok önemli bir gereksinimdir. Özellikle son yıllarda dünyada ve ülkemizde yaşanan ekonomik krizlerden ve politik gelişmelerden dolayı meydana gelen piyasalardaki şiddetli dalgalanmalar, yatırım araçlarının ve döviz kurlarının gelecekteki alacağı değerin öngörülebilmesi durumunda çok önemli avantajlar ve fırsatlar elde edilebileceğini ortaya koymuştur.

Uluslararası piyasalarda alışveriş ve bir yatırım aracı olarak kullanılan dövizin, özellikle de Amerikan Dolarının (USD) önemi, işlerini USD üzerinden gerçekleştiren işletmeler için daha fazladır. Döviz kurlarının ve dolayısı ile USD’nin aldığı değerler bir zaman serisi şeklinde düzenlenebilir. Yapay Zekânın bir uygulaması olan Yapay Sinir Ağları son yıllarda geleceği öngörmede; özellikle döviz kuru gibi lineer olmayan (non-lineer), birçok değişkene bağımlı zaman serilerinin tahmin edilmesinde önemli bir araç olmuştur.

DÖVİZ KURU VE DÖVİZ KURUNUN TAHMİNİ

Dünyanın küçülmesi; rekabetin, üretimin ve tüketimin artması sonucunda yapılan alışverişlerde ve yatırımlardaki kazançların arttırılması, risklerin en aza indirilmesi son derece önem kazandığı için; döviz kurunun gelecekteki değerini tahmin edebilmek amacıyla onlarca yeni yöntem ve araç geliştirilmiştir. İstatistik, teknik analiz, temel analiz, lineer regresyonlar piyasanın yönünü ve yatırım araçlarının gelecekteki değerini tahmin etmeye çalışmakta kullanılan yöntemlerden sadece birkaçıdır.

Kullanılan yöntemlerden teknik analiz tarihin tekerrür ettiğini varsayar ve bunu verilerin grafiklerinden bulmaya çalışır. Temel analiz, fiyatların birçok parametreye bağlı olarak etkilendiğini varsayar ve tüm ekonomik ve finansal değişkenlerin tahmin edilmeye çalışılan değişkene olan etkisini anlamaya çalışır. YSA non-lineer bir yapıya sahip olan bir zaman serisinin girdileri ile çıktıları arasında bir ilişki kurmaya çalışır. Bu ilişkiyi kurarken daha önceki verileri kullanarak öğrenme işlemini gerçekleştirir. 

Gelecek tahmini yapabilmek için bilgisayar destekli birçok yöntem geliştirilmiştir. Bilgisayar destekli grafikler ile analiz yöntemleri, uzman sistemler, bulanık mantık ve yapay sinir ağları yöntemlerden birkaçıdır.[1] Son yıllarda YSA zaman serilerinin analizinde ve gelecekteki değerinin tahmininde sıklıkla kullanılan bir yöntem olmuştur. [2] YSA zaman serilerinin gelecekteki değerinin tahmin edilmesinde gelişmekte olan ve ulaştığı başarılı sonuçlardan dolayı umut vadeden bir yöntemdir. Zaman serileri çoğunlukla lineer bir modelle ifade edilemeyen yani non-lineer modellerdir. YSA’nın avantajı işte bu noktadadır. Çünkü YSA ile yapılan non-lineer modellemeler gerçek gözlem değerlerinden oluşan seri ile daha fazla örtüşebilmektedir. [5]

 YAPAY SİNİR AĞLARI

İnsan beynini taklit ederek insan gibi yorum yapabilmeye çalışan bir çeşit -yapay zekâ yöntemidir. Yapay sinir ağları, aynen milyarlarca biyolojik sinir hücresinin birleşerek beyni oluşturduğu gibi, birden fazla yapay sinir hücresinin birleşiminden oluşur. Sinir hücreleri genellikle birkaç katman halinde dizilerek bir yapay sinir ağını meydana getirirler. İlk katman genellikle giriş katmanıdır. Çıkış katmanı ise son katmandır. Aradaki diğer katmanlar ise gizli katman ya da ara katman olarak adlandırılırlar. Bir ağda birden fazla gizli katman olabilir. 

Şekil 1 - Yapay bir sinir ağına genel bir örnek

YSA’ların ekonomi ve finans alanında kullanımı

Ekonomik ve finansal değişkenlerin modellenmesi ve öngörülmesi ekonomi ve finans için son derece önemlidir. YSA’lar özellikle sınıflandırmada ve zaman serilerinin öngörülmesinde oldukça başarılı sonuçlar üretebildikleri için istatistik, ekonomi ve finans konularında da yoğun bir şekilde kullanılmaktadırlar.[2] Özellikle eksik ve gürültülü bilgilere rağmen genelleştirme ve sonuca ulaşabilme yeteneği sayesinde ekonomik modellemelerde ön plana çıkmaktadır.

YSA’ların, ekonomi ve finans alanında kullanıldığı yerlerin başında tahmin etme yani geleceği öngörme gelmektedir.[6] Tahmin yöntemlerinde uzun yıllardır genellikle lineer metotlar kullanılmaktaydı. Lineer yöntemlerin geliştirilmesi ve uygulanması oldukça basit olmasına karşın finans ve ekonomi alanında olduğu gibi lineer olmayan değişkenlerin tahmininde çok zayıf kalmaktadır. Non-lineer modeller gerçek hayatı modellemek için daha uygundurlar. YSA ekonomi ve finans alanında geleceği tahmin etmeye çalışanlar için umut vadeden bir yöntemdir.[4] Çünkü YSA ile non-lineer değişken serileri için model geliştirmek diğer yöntemlere kıyasla daha kolaydır. YSA’ların esnekliği sayesinde de gerçek hayatta karşılaşılan birçok soruna (ki bunların hemen hemen hepsi non-lineer yapıdadır)  YSA ile çözüm üretebilmek mümkündür. YSA’ların bir diğer avantajı da eldeki veriler ile eğitilerek çalışıyor olması ve modellemede kısıtlayıcı kabullenmelere gereksinim duymamasıdır. YSA’ların matematiksel olarak ifade edilebiliyor olması da özellikle zaman serilerinin tahminlerinde çalışanlar için önemli bir avantajdır. Çünkü tahmin yöntemlerinin çoğu tahmin edilmeye çalışılan değişkeni hangi değişkenlerin ve faktörlerin etkilediğini matematiksel olarak gösterebilmektir.

Öngörüde Kullanılacak Bir YSA Modellemek İçin Gerekli İşlem Adımları

Öngörü yapmak için kullanılacak ağın tasarımında dikkat edilmesi gereken adımları 8 ana başlık altında şu şekilde toplayabiliriz:
1. Adım: Değişkenin seçimi
2. Adım: Verilerin toplanması
3. Adım: Verilerin hazırlanması, bir ön işlemden geçirilmesi
4. Adım: Eğitim, test ve doğrulama verilerinin ayrıştırılması
5. Adım: Yapay Sinir Ağının Tasarlanması
a.Gizli katman sayısı
b.Gizli nöron sayısı
c.Çıkış nöronu sayısı
d.Transfer fonksiyonları
6.Adım: Hesaplama Kriterleri
7.Adım: Yapay Sinir Ağının Eğitilmesi
a.Eğitim devir (epoch) sayısı
b.Öğrenme katsayısı ve momentum
8.Adım: Uygulama

UYGULAMA

Uygulamaya çalıştığımız işlem için kesin, belirli ve doğru bir yöntem mevcut değildir. Bu nedenle değişik mimarilerde, katman ve nöron sayılarında, değişik eğitim algoritmaları ve aktivasyon fonksiyonları denenerek en uygun ağ yapısı bulunmaya çalışılmıştır.


Veri
Uygulamamızda kullanılan tüm veriler 4 Ocak 1999 - 28 Şubat 2006 tarihi arasındadır ve T.C. Merkez Bankası’nın web sitesinden elde edilmiştir. İki tarih arasında toplam 1867 iş günlük veri kullanılmıştır. Toplamda 42 ayrı değişken için 42 x 1867 = 78414 adet değer hesaba katılmıştır.
Yöntem
Ağımızda geriye yayılım algoritması kullanılmıştır. Ağın çıkış katmanındaki nöron sayısı, tek çıkışımız USD değeri olduğu için 1’dir. Giriş katmanındaki nöron sayısı ise giriş parametresi kadar yani 41 adettir. Ara katman sayısı ve katmanlardaki hücre sayısı için belirli bir kural yoktur.
MATLAB'in sunmuş olduğu her bir eğitim algoritması değişik ağ mimarilerinde en az 5’er kez çalıştırılarak uygulamamızda kullandığımız veri setimiz ve hedefimiz için en hızlısı ve doğru çözüme en fazla yakınsayanı bulunmaya çalışılmıştır. Karşılaştırma sonucunda bulunan en başarılı ve hızlı algoritma, eğitim algoritması olarak seçilmiş ve kullanılmıştır. Eğitimde, onaylamada ve testte kullanılacak veriler sırasıyla elimizdeki tüm verinin %70’i, %20’si ve %10’u olacak şekilde ayrılmıştır.

Bulgular
a.      tansig-purelin / 5–1 Yapısı
Bu grupta denenen ağlar 5-1 yapısının da işaret ettiği gibi 1 adet gizli katmana sahiptir ve gizli katmanında da 5 adet nöron ihtiva etmektedir. Bu yapıdaki tüm ağlar MATLAB'in sunduğu eğitim algoritmaları ile ayrı ayrı denendiğinde; en doğru "trainbr", en hızlı "trainrp", en hatalı "traingdm", en yavaş traingd sonucu çıkmaktadır.
Şekil 2 - tansig-purelin / 5–1 Yapısında trainbr algoritmasının ürettiği çıktının grafiği


b.      logsig-purelin / 5–1 Yapısı
Bu yapıdaki bir ağda 1 adet gizli katman ve gizli katmanında da 5 adet nöron bulunmaktadır. Katmanlardaki nöronlarda sırasıyla "logsig" ve "purelin" fonksiyonları kullanılmıştır. Ağların çalıştırılması ile elde edilmiş sonuçlara göre; en doğru "trainbr", en hızlı "trainrp", en hatalı "traingdm",  en yavaş "trainbr" olduğu bulunmuştur.
Şekil 3 - logsig-purelin / 5–1 Yapısında trainbr algoritmasının ürettiği çıktının grafiği
logsig ve tansig algoritmaları kendi aralarında kıyaslandığında ise, tansig aktivasyon fonksiyonu çok büyük farkla olmasa da daha başarılı sonuçlar alınmasını sağlamıştır. Hız ve doğruluk açısından bakıldığında tansig fonksiyonu kullanan tek gizli katmanlı ağlar, uygulamamızda daha başarılı sonuçlar vermiştir.

Değişik Mimarilerde trainbr Kullanımı
Uygulamamızda trainbr’nin en başarılı eğitim algoritması olduğunun görülmesinden sonra diğer ağ mimarilerinde de çalıştırılmıştır.


Epoch
Süre
Hata Oranı
1
5–1 / tansig-purelin
29
8,0896
0,000641824
2
9–1 / tansig-purelin
30,6
26,6542
0,001199548
3
30–1 / tansig-purelin
17,4
235,4848
0,000736794
4
5–1 / logsig-purelin
28,8
8,4364
0,001966464
5
9–1 / logsig-purelin
20,8
6,3092
0,000980608
6
30–1 / logsig-purelin
16
208,6862
0,001671422
7
4–9–1 / tansig-tansig-purelin
25
7,8474
0,002951716
8
9–13–1 / tansig-tansig-purelin
20,2
29,3018
0,001348638
9
4–9–1 / logsig-logsig-purelin
16,4
5,8526
0,002322532
10
9–13–1 / logsig-logsig-purelin
20,6
28,9198
0,001736444
11
4–9–1 / tansig-logsig-purelin
23,4
7,6428
0,001114126
12
9–13–1 / tansig-logsig-purelin
23,2
33,1254
0,001279554

ORTALAMA
22,6167
50,52918
0,001495806
Tablo 1 – Değişik Ağ Yapılarının Karşılaştırılması

Denemelerin sonuçlarının yazılmış olduğu tabloya göre;
·         Aktivasyon fonksiyonu olarak tansig ya da logsig kullanmak arasında fonksiyonu kayda değer bir fark olmamasına rağmen tansig daha başarılı görünmektedir,

·         Tek gizli katmanlı ağlarda gizli nöron sayısının artması sonuca olumlu yönde çok fazla katkı yapmamaktadır fakat beklenildiği gibi ağın sonuç üretmesi daha geç olmaktadır, 

·         Çift gizli katmanlı ağlarda tansig ve logsig fonksiyonunun birlikte kullanılması tek başlarına kullanılmalarına nazaran doğruluk oranını arttırmaktadır,

·         Çift katmanlı bir ağ tek katmanlı bir ağa göre avantajlı görünmemektedir.

2001 Ekonomik Krizi Sonrasındaki Verilerle Yapılan Denemeler


Epoch
Süre
Hata Oranı
5–1 / tansig-purelin
15,6
3,7754
0,000215158
4–9–1 / tansig-logsig-purelin
13,8
3,7916
0,000199816
ORTALAMA
14,7
3,7835
0,000207487
Tablo 2 –Kriz Öncesi Veriler Dâhil Edilmeden Yapılan Denemeler

Sadece 2001 ekonomik krizi sonrası veriler kullanılarak yapılan denemelerde başarı oranı beklenildiği gibi daha yüksek çıkmıştır. Veri sayısı azaldığı için ağın hızlanması da diğer bir beklenen sonuçtur. Tek gizli katmanlı ağ ile çift katmanlı ağ arasında tablodan da görüldüğü üzere kayda değer bir fark bulunmamaktadır.

SONUÇ VE ÖNERİLER

Literatürde döviz kurunun tahmini üzerine geleneksel yöntemlerle gerçekleştirilmiş birçok çalışma mevcuttur. Geleneksel tahmin yöntemlerinde zaman serilerinin öngörüsü için kesin modelinin olmaması, verilerin gürültü yani ani sıçramalar içermesi, durağan olmaması ve lineer olmamasından kaynaklanan bazı sorunlar vardır. YSA’lar bu sorunları büyük ölçüde telafi edebilmektedirler. Ayrıca YSA’ların varsayımlara ihtiyaç duymaması, genelleme yapabilmesi, bir kez eğitildikten sonra eksik verilerle dahi çalışabilmesi, kendi kendine öğrenebilmesi gibi özellikleri nedeni ile de geleneksel tahmin yöntemlerine göre daha avantajlıdırlar. Geleneksel yöntemler ile YSA kullanılarak yapılan döviz kuru tahminlerini kıyaslayan çalışmalar da literatürde mevcuttur. Bu çalışmalar ortaya koymaktadır ki YSA’lar non-lineer olan döviz kurunun gelecekteki değerinin tahmininde oldukça başarılıdır hatta çoğu zaman geleneksel yöntemlerden de başarılıdır.
Bu çalışmada temel olarak, çeşitli Yapay Sinir Ağları kurularak zaman serisi şeklinde olan USD’nin gelecekteki değeri tahmin edilmeye çalışılmıştır. Zaman serilerini öngörmede YSA kullanacak araştırmacılara; ağın mimarisi, gizli katman sayısı, katmanlardaki yapay sinir hücresi sayısı, hangi eğitim algoritmalarını ve aktivasyon fonksiyonlarını kullanabilecekleri konusunda yol gösterebilmek bu çalışmanın diğer önemli hedeflerinden birisidir.

Ağın birden fazla gizli katman içermesinin başarı oranını arttırmadığı buna karşın ağın çalışma hızını olumsuz yönde etkilediği tespit edilmiştir. Aynı şekilde, gizli katmanlarda kullanılan nöron sayısının arttırılmasının da ağın hata oranını düşürmediği ama ağın hızını hissedilir şekilde azalttığı görülmüştür. 

Değişik katman ve nöron sayılarında kurduğumuz ağlarda, türevlenebildiği için, geriye yayılım algoritmasında kullanılmaya en uygun olan aktivasyon fonksiyonlarından “Hiperbolik Tanjant Sigmoid” ve “Logaritmik Sigmoid” fonksiyonları kullanılmıştır. İki fonksiyonun ağlarımızda kullanımında önemli bir fark tespit edilememekle birlikte tansig’in daha başarılı sonuçlar ürettiği gözlemlenmiştir.

YSA’ların öngörü performanslarının arttırılması için halen birçok araştırma ve çalışma sürdürülmektedir. Özellikle ağın eğitilmesi işlemini hızlandırmak, ağın ezberlemesinin ve yerel minimum noktalarına takılmasının önüne geçmek için kullanılan neuro-fuzzy uygulamaları bunlardan birisidir. İleriki çalışmalarda yeni yöntemlerin uygulanması, değişik ağ modellerinin geliştirilmesi, bilgisayarların daha da hızlanmasına paralel olarak katman sayısının ve deneme sayısının arttırılması ile başarı oranı daha da yükselecektir.

KAYNAKLAR

1.JANUSKEVICIUS Marius: “Testing Stock Market Efficiency Using Neural Networks Case of Lithuania”, Mayıs 2003
2.KAASTRA Iebeling, BOYD Milton:  “Designing a Neural Network for Forecasting Financial and Economic Time Series”, Neurocomputing, 31 August 1994
3.KELEŞOĞLU Ömer, Ekinci Cevdet Emin, FIRAT Adem, “The Using Artificial Neural Networks in Insulation Computations”, Journal of Engineering and Natural Sciences, Mart 2005
4.KLINE Dougles M.: “Methods for Multi-Step Time Series Forecasting with Neural Networks”, “Neural Networks in Business Forecasting” ZHANG G.Peter, 2004, Idea Group Publishing
5.LAWRANCE Ramon: “Using Neural Networks to Forecast Stock Market Prices”, Departmant of Computer Science University of Manitoba, 12 December 1997
6.MANDIC Danilo P. ,CHAMBERS Jonathon A.: “Recurrent Neural Networks For Prediction - Learning Algorithms,Architectures And Stability”, John Wiley & Sons Ltd, 2001
7. YILDIZ Ömür, “Döviz Kuru Tahmininde Yapay Sinir Ağlarının Kullanımı”, Yüksek Lisans Tezi, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Enstitüsü, Temmuz 2006

 

ÖZGEÇMİŞLER

Ömür YILDIZ
Ömür YILDIZ 01.01.1976 tarihinde Eskişehir’de doğdu.
1994 yılında girdiği Osmangazi Üniversitesi Elektrik-Elektronik Mühendisliği Bölümü’nden 1999 yılında mezun oldu. 

Osmangazi Üniversitesi’nin Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Kontrol ve Kumanda Sistemleri Bilim Dalı’ndaki öğrenimini 1999 – 2002 yılları arasında tamamlayarak Elektrik-Elektronik Yüksek Mühendisi unvanını kazandı.

Osmangazi Üniversitesi’nin Sosyal Bilimleri Enstitüsü, İşletme Ana Bilim Dalı, İşletme Bilim Dalı'ndaki 2. yüksek lisansını 2006 yılında tamamladı.

2000 yılından itibaren Eskişehir’de özel bir firmada çalışmaktadır ve ESOGÜ FBE, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Telekomünikasyon Bilim Dalı'nda doktora tez çalışması aşamasındadır.

Doç.Dr. Birol YILDIZ
Birol YILDIZ 31.05.1971 tarihinde Eskişehir’de doğdu. 1993 yılında Lisans Dumlupınar Üniversitesi İİBF İşletme Bölümünden mezun oldu.  1995 yılında Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsünün Muhasebe-Finans Yüksek Lisans Programını 1999 yılında ise İşletme Doktora Programını bitirdi. 

Doktora tezi olarak hazırladığı “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve İMKB’de Ampirik Bir Çalışma, İMKB Uluslararası Makale Yarışmasında Mansiyon ödülü almıştır. 

1993-1998 yılları arasında Dumlupınar Üniversitesi İİBF İşletme Bölümünde Muhasebe-Finans Anabilim dalında Araştırma Görevlisi olarak çalıştı. 1999 yılında itibaren Eskişehir Osmangazi Üniversitesi İİBF İşletme Bölümünde öğretim üyesidir.


NOT: Bildirinin tamamını ve formatı düzgün olanını indirmek için tıklayınız.

Tepkiler:

0 yorum:


Sayfamdaki yazılar kaynak gösterilerek ve bu sayfanın adresi verilerek kullanılabilir.

Sayfamda bazı yazılarımda bahsetmiş olduğum yöntemler kendi öğrendiklerimi, denediklerimi paylaşmak amacıyla yazılmıştır. Yapılan denemelerin sonuçları da yine burada paylaşılmaktadır. Tarif edilenlerin yanlış/eksik uygulanması, yazı dizilerinin tamamının okunmaması, vb herhangi bir nedenden dolayı istenmeyen sonuçlar elde edilmesi, beklenen sonucun elde edilememesi ve/veya karşılaşılabilecek herhangi bir zarardan dolayı sorumlu tutulamayacağımı bilgilerinize sunarım.

Kaynak belirterek ya da belirtmeden kullandığım yazılarımdan dolayı herhangi bir rahatsızlık duyan, haksızlığa uğradığını düşünen beni haberdar ettiği zaman ilgili yazıyı yeniden gözden geçireceğimi, şikayetinde haklıysa yazıda gerekli düzeltmeyi ivedilikle yapacağımı taahhüt ederim.
-=(RaideR)=-