AI Summary & Key Takeaways
AI InsightThis research contributes to financial risk management literature by integrating interpretable machine learning methods with financial ratio analysis.
📌 3 Key Takeaways
Abstract
This study aims to predict the bankruptcy risk of banks during financial crises by analyzing their financial structure using machine learning methods. Taking the 2001 Turkish economic crisis as a case study, the financial ratios of failed banks are compared with those that remained operational. Financial indicators such as profitability, liquidity, and capital adequacy are evaluated through traditional ratio analysis and advanced machine learning models, including C5.0 Decision Tree, CART, and XGBoost. The performance of these models is assessed using evaluation metrics such as the ROC curve and AUC value. The findings show that financial ratios like Net Working Capital/Total Assets, Net Interest Income after Non-performing Loans/Average Total Assets, and Interest Income/Interest Expense play a critical role in bankruptcy prediction. Among the models, CART and XGBoost performed with perfect classification accuracy (AUC = 1), while the C5.0 model also achieved a high level of success (AUC = 0.9318). The results provide practical insights for banks in managing financial sustainability and improving early warning systems. They emphasize the importance of maintaining a strong capital base and monitoring interest income and liquidity indicators, especially during periods of economic instability. This research contributes to financial risk management literature by integrating interpretable machine learning methods with financial ratio analysis.
Özet
Bu çalışma, finansal krizler sırasında bankaların iflas riskini, finansal yapılarını makine öğrenmesi yöntemleriyle analiz ederek tahmin etmeyi amaçlamaktadır. Örnek olay olarak 2001 Türkiye ekonomik krizi ele alınarak, batan bankaların finansal oranları faaliyetlerine devam eden bankalarla karşılaştırılmıştır. Kârlılık, likidite ve sermaye yeterliliği gibi finansal göstergeler, geleneksel oran analizi ve C5.0 Karar Ağacı, CART ve XGBoost gibi gelişmiş makine öğrenimi modelleri aracılığıyla değerlendirilmektedir. Bu modellerin performansı, ROC eğrisi ve AUC değeri gibi değerlendirme ölçütleri kullanılarak değerlendirilmiştir. Bulgular, Net İşletme Sermayesi/Toplam Aktifler, Takipteki Krediler Sonrası Net Faiz Geliri/Ortalama Toplam Aktifler ve Faiz Geliri/Faiz Gideri gibi finansal oranların iflas tahmininde kritik bir rol oynadığını göstermektedir. Modeller arasında CART ve XGBoost mükemmel sınıflandırma doğruluğu (AUC = 1) ile performans gösterirken, C5.0 modeli de yüksek düzeyde başarı elde etmiştir (AUC = 0.9318). Sonuçlar, bankalar için finansal sürdürülebilirliği yönetme ve erken uyarı sistemlerini geliştirme konusunda pratik bilgiler sağlamaktadır. Özellikle ekonomik istikrarsızlık dönemlerinde güçlü bir sermaye tabanının korunmasının ve faiz gelirleri ile likidite göstergelerinin izlenmesinin önemini vurgulamaktadır. Bu araştırma, yorumlanabilir makine öğrenimi yöntemlerini finansal oran analizi ile bütünleştirerek finansal risk yönetimi literatürüne katkıda bulunmaktadır.