SavedAdd your journal

Journals / Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi / 2016 / Cilt: 19 - Sayı: 36

COMPARISON OF MACHINE LEARNING TECHNIQUES FOR ANALYZING BANKS’ FINANCIAL DISTRESS

Bankaların Finansal Başarısızlıklarının İncelenmesinde Makine Öğrenme Tekniklerinin Karşılaştırılması

Serpil ALTINIRMAK
Çağlar KARAMAŞA
Pages
291–304
Publication Date
2016-12-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

As a result SVM obtains better classification ratio than NNs

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Analyzing banks’ financial distress has gained great importance due to their importance in national economy and caused sociological and economic results.
📊
Key Findings & Data:Support Vector Machines SVM and Neural Networks NN , known as machine learning methods, are applied for classifying banks as an early warning of financial distress.
💡
Conclusion & Impact:As a result SVM obtains better classification ratio than NNs
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Financial Distress · Data Mining · Support Vector Machines

Abstract

Analyzing banks’ financial distress has gained great importance due to their importance in national economy and caused sociological and economic results. Support Vector Machines SVM and Neural Networks NN , known as machine learning methods, are applied for classifying banks as an early warning of financial distress. A case study which is taking thirty private equity commercial banks’ five year data and financial ratios, is carried out. As a result SVM obtains better classification ratio than NNs

Özet

Bankalarda meydana gelecek olan bir finansal başarısızlık sonuçlar bakımından dikkate alındığında ekonomik ve sosyolojik olarak önem arz etmektedir. Makine öğrenme tekniklerinden olan Destek Vektör Makineleri DVM ve Yapay Sinir Ağları YSA finansal başarısızlıklar konusunda erken uyarı sistemi olarak kullanılmıştır. Örnek olay olarak 30 özel sermayeli bankanın beş yıllık finansal oran verilerinden yararlanılmıştır. Yapılan analiz sonuçlarına göre destek vektör makineleri yöntemi yapay sinir ağları yöntemine göre bankalardaki finansal başarısızlıkların değerlendirilmesinde erken uyarı sistemi olarak daha iyi bir sınıflandırıcı olduğu sonucuna ulaşılmıştır

🔖

Cite This Article

ALTINIRMAK, S., KARAMAŞA, Ç. (2016). COMPARISON OF MACHINE LEARNING TECHNIQUES FOR ANALYZING BANKS’ FINANCIAL DISTRESS. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt: 19 - Sayı: 36, 291–304. https://ajindex.com/articles/114492

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Abe, S. (2005). Support Vector Machines For Pattern Classification. London: Springer. Aktaş, R., Doğanay, M.M. and Yıldız, B. (2003). Predicting the financial failure: A comparison of statistical methods and neural networks. Ankara University Journal of SBF, 58, 1-24.
  2. Albayrak, Y.E. and Erkut, H. (2005). Banka Performans Değerlendirmede Analitik Hiyerarşi Süreç Yaklaşımı, İTÜ Mühendislik Dergisi/d, 4 (6), 47-58. Altaş D.,and Giray, S. (2005). Mali Başarısızlığın Çok Değişkenli İstatistiksel Yöntemlerle Belirlenmesi: Tekstil Sektörü Örneği. Marmara Üniversitesi Sosyal Bilimler Dergisi, (2) s.13-28.
  3. Altman, E.I. (1968).
  4. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, The Journal of Finance, 23(4),589-609.
  5. Altunöz, U. (2013). Bankaların Finansal Başarısızlıklarının Yapay Sinir Ağları Modeli Çerçevesinde Tahmin Edilebilirliği, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 28(2), 189-217.
  6. Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, 71-111.
  7. Benli, Y.K. (2005). Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması. Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi,16, 31-46.
  8. Boritz, E. J. and Kennery, D. (1995). Effectiveness of neural network types for predicition of business failure. Expert Systems with Applications, 9, 503-512.
  9. Bose, N.K. and Liang, P. (1996). Neural network fundamentals with graphs, algorithms and applications. USA: McGraw-Hill. Boyacıoğlu, M.A., Kara, Y. and Baykan, Ö.K. (2009). Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: A comparative analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in Turkey, Expert Systems with Applications, 36(2), 3355-3366.
  10. Chan, N.H. and Wong, H.Y. (2007). Data mining of resilience indicators. IIE Transactions, 39, 617-627.
  11. Chang, S., Chang, H., Lin, C. and Kao, S. (2003). The effect of organizational attributes on the adoption of data mining techniques in the financial service industry: An empirical study in Taiwan. International Journal of Management, 20(1), 497-503.
  12. Chen, S., Wang, W. and Zuylen, H.V. (2009). Construct support vector machine ensemble to detect traffic incident. Expert Systems with Applications, 36, 10976-10986.
  13. Chin-Sheng, H., Dorsey, R. E. and Boose, M.A. (1994). Life insurer financial distress prediction: A neural netw