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.
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)
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 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.
0 yorum:
Yorum Gönder