Türkiye’de faaliyet gösteren bazı sigorta şirketlerinin prim üretimlerinin yapay sinir ağları ile tahmini

Abstract

ÖZETTÜRKİYEDE FAALİYET GÖSTEREN BAZI SİGORTA ŞİRKETLERİNİN PRİM ÜRETİMLERİNİN YAPAY SİNİR AĞLARI İLE TAHMİNİ Sigorta sektörü, finans piyasalarına fon oluşturması ve risk karşılaması özellikleri ile ülke ekonomisi ve kalkınması üzerinde doğrudan etkisi olan bir sektör olarak görülebilir. Bu bakımdan, sigorta sektörünün hacmini oluşturan temel unsur olan prim büyüklüklerinin olabildiğince doğru ve güvenilir bir şekilde öngörülmesi, dolaylı olarak ülke ekonomisi ve kalkınması açısından ortaya çıkması muhtemel risklerin öngörülmesi ve gerekli tedbirlerin alınması anlamını taşımaktadır. Sigorta primleri de dahil olmak üzere farklı finansal alanlarda ortaya çıkan zaman serilerinin öngörülmesinde klasik zaman serisi öngörü yöntemleri sıklıkla kullanıyor olmasına karşın, bu yöntemlerin model yapısı, gözlem sayısı, durağanlık, özel dağılım vb. varsayımları gerektirmeleri nedeniyle, birçok finansal zaman serisinin öngörülmesinde yetersiz kaldığı söylenebilir. Özellikle son yıllarda, bilgisayar teknolojisinin gelişimi ve doğrusal olmayan uyarlanabilir öğrenme özellikleri sayesinde, yapay sinir ağları bu tip finansal zaman serilerinin öngörülmesi amacıyla birçok çalışmada kullanılmış ve güçlü bir öngörü aracı olarak başarılı öngörü sonuçları üretilmiştir. Bu noktadan hareketle, bu tez çalışmasında Türkiye’de faaliyet gösteren bazı sigorta şirketlerinin prim üretimlerinin farklı yapay sinir ağları ile öngörülmesi ve elde edilen sonuçların karşılaştırmalı olarak değerlendirilmesi planlanmaktadır. Bu bağlamda, ileri ve geri beslemeli olmak üzere temel olarak iki farklı yapay sinir ağının sigorta prim üretimlerine ilişkin öngörü aracı olarak kullanımı gerçekleştirilmiştir. Kullanılan iki yapay sinir ağının farklı eğitim algoritmaları ile eğitiminin yanı sıra çıktı katmanı birimlerinde kullanılan farklı aktivasyon fonksiyonları ile sekiz farklı yapay sinir ağı yapısı ve dolayısıyla sigorta şirketleri prim üretimlerine ilişkin sekiz farklı öngörü aracı oluşturulmuştur. Öngörü sürecinde, veri setlerini oluşturan zaman serileri, yapay sinir ağlarının eğitimini gerçekleştirmek amacıyla kullanılmış “eğitim kümesi” ve yapay sinir ağlarının öngörü performansını değerlendirmek ve öngörülerin güvenilirliğini ortaya koymak amacıyla kullanılmış “test kümesi” veri seti olmak üzere iki ayrı bölüme ayrılmıştır. Yapay sinir ağlarının öngörü performansları Hata Kareler Ortalaması (HKOK), Ortalama Mutlak Yüzdelik Hatası (OYMH) ve Medyan Mutlak Yüzdelik Hatası (MMYH) gibi farklı hata ölçütleri test kümesi üzerinden değerlendirilmiştir.FORECASTİNG USING ARTIFICAL NEURAL NETWORKS OF PREMIUM PRODUCTİON OF SOME INSURANCE COMPANİES OPERATİNG IN TURKEY The insurance sector can be seen as a sector that has a direct impact on the country's economy and development with its ability to fund financial markets and meet risk. In this respect, predicting the premium sizes, which is the main factor that constitutes the volume of the insurance sector, as accurately and reliably as possible, indirectly means foreseeing the risks that may arise in terms of the economy and development of the country and taking the necessary measures. Although classical time series forecasting methods are frequently used to predict time series emerging in different financial areas, including insurance premiums, these methods' model structure, number of observations, stationarity, special distribution, etc. It can be said that they are insufficient in predicting many financial time series due to the fact that they require assumptions. Especially in recent years, thanks to the development of computer technology and nonlinear adaptive learning features, artificial neural networks have been used in many studies to predict such financial time series and successful prediction results have been produced as a powerful predictive tool. From this point of view, in this thesis, it is planned to predict the premium production of some insurance companies operating in Turkey with different artificial neural networks and to evaluate the results comparatively. In this context, basically two different artificial neural networks, forward and feedback, were used as a predictive tool for insurance premium production. In addition to training the two artificial neural networks with different training algorithms, eight different artificial neural network structures with different activation functions used in the output layer units, and thus eight different predictive tools for insurance companies' premium production were created. In the forecasting process, the time series that make up the data sets are divided into two parts, the training set used to train the artificial neural networks and the test set data set, which is used to evaluate the prediction performance of the artificial neural networks and reveal the reliability of the predictions. The predictive performances of artificial neural networks were evaluated over the test set of different error criteria such as Mean Error Squares (MSE), Mean Absolute Percentile Error (MAPE) and Median Absolute Percentile Error (MdAPE).