SavedAdd your journal

Journals / BDDK Bankacılık ve Finansal Piyasalar Dergisi / 2017 / Cilt: 11 - Sayı: 2

Market Segmentation with Self-Organizing Maps in Banking Industry

Özdüzenleyici Haritalar Yöntemi ile Bankacılık Sektörü Piyasa Bölümlendirilmesi

Mehmet ÖZÇALICI
Pages
9–30
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)

The technique has the advantage of separating the data set into clusters without the need for user information.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Banks play important roles in an economy with their financial intermediary roles.
📊
Key Findings & Data:In this study, self-organizing maps which implements unsupervised learning is applied to cluster 13 commercial banks with branches over 100.
💡
Conclusion & Impact:The technique has the advantage of separating the data set into clusters without the need for user information.
🔬Design:Research Article
📍Scope:2014-2017 Verileri
⚙️Variables:Domain Parameters

Abstract

Banks play important roles in an economy with their financial intermediary roles. For this reason, supervision of the banking sector is also important. The development of the sector can be monitored with clustering analysis. In this study, self-organizing maps which implements unsupervised learning is applied to cluster 13 commercial banks with branches over 100. The dataset covers 2014-2017 period. 12 financial ratios are calculated from the financial statements of banks. Clustering validity is examined with the help of Silhouette values and graphs. As a result, it was determined that the sector formed three clusters in 2014. In 2015-2017 periods, cluster structures were not changed and banks were collected in two clusters. The technique has the advantage of separating the data set into clusters without the need for user information.

Özet

Bankalar, finansal aracı rolleri ile bir ekonomide önemli roller üstlenmektedirler. Bu nedenle bankacılık sektörünün denetlenmesi önem arz etmektedir. Kümeleme analizi ile birlikte sektörün gelişimi incelenebilir. Bu çalışmanın amacı denetimsiz öğrenme tekniğini uygulayan özdüzenleyici haritalar yöntemi ile Türkiye de faaliyet gösteren ve 100’ün üzerinde şubesi bulunan 13 mevduat bankasının, 2014-2017 Aralık dönemi finansal tablolarından elde edilen 12 oran yardımıyla sektörün küme yapılarının belirlenmesidir. Kümeleme analizinin geçerliliği Silhouette değerleri ve grafikleri yardımıyla incelenmiştir. Sonuçta 2014 yılında sektörün üç küme oluşturduğu 2015-2017 dönemlerinde ise küme yapılarının değişmediği ve bankaların iki kümede toplandıkları belirlenmiştir. Teknik, veri setini kullanıcı bilgisine gerek duymadan kümelere ayırabilme üstünlüğüne sahiptir.

🔖

Cite This Article

ÖZÇALICI, M. (2017). Market Segmentation with Self-Organizing Maps in Banking Industry. BDDK Bankacılık ve Finansal Piyasalar Dergisi, Cilt: 11 - Sayı: 2, 9–30. https://ajindex.com/articles/143146

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Akgül, F. G., & Başkır, M. B. (2013). Bankaların 2008-2012 Yılları Arasında Aktif Büyüklüklerini Etkileyen Kriterler Bakımından Hiyerarşik Kümeleme ve PAM Algoritması ile Sınıflandırılması. Bankacılık ve Sigortacılık Araştırmaları Dergisi, 1(5–6), 48–63
  2. Alam, P., Booth, D., Lee, K., & Thordarson, T. (2000). The use of fuzzy clustering algorithm and self-organizing neural networks for identifying potentially failing banks: an experimental study. Expert Systems with Applications, 18, 185–199
  3. Aydın, D., & Başkır, M. B. (2013). Bankaların 2012 Yılı Sermaye Yeterlilik Rasyolarına Göre Kümeleme Analizi Ve Çok Boyutlu Ölçekleme Sonucu Sınıflandırılma Yapıları, 6(Nisan), 29–47
  4. Ayrıçay, Y., & Akgöz, E. (2014). Ticari Bankaların Finansal Oranlar Yardımıyla Sınıflandırılması: Kümeleme Analizi Yaklaşımı. Journal of Social and Humanities Sciences Research, 1(1), 1–23
  5. Badran, F., Yacoub, M., & Thiria, S. (2005). Self-Organizing Maps and Unsupervised Classification. In G. Dreyfus (Ed.), Neural Networks Methodology and Applications (pp. 379–442). Berlin/Heidelberg: Springer-Verlag
  6. Deboeck, G. J. (1998). Financial applications of self-organizing maps. Neural Network World, 8(2), 213–241
  7. Dias, J. G., & Ramos, S. B. (2014). The aftermath of the subprime crisis: A clustering analysis of world banking sector. Review of Quantitative Finance and Accounting, 42(2), 293–308
  8. Doğan, B. (2008). Bankaların Gözetiminde Bir Araç Olarak Kümeleme Analizi: Türk Bankacılık Sektörü için Bir Uygulama. Kadir Has Üniversitesi
  9. Gan, G., Ma, C., & Wu, J. (2007). Data Clustering Theory, Algorithms and Applications. ASA-SIAM series on statistics and applied probability
  10. Gökgöz, İ. H., Altınel, F., Yetkin, F. P., & Koç, İ. (2013). Classification of Turkish Commercial Banks Under Fuzzy c-Means Clustering. BDDK Bankacılık ve Finansal Piyasalar, 7(2), 13–36
  11. Hennig, C., & Meila, M. (2016). Cluster Analysis: An Overview. In C. Hennig, M. Meila, F. Murtagh, & R. Rocci (Eds.), Handbook of Cluster Analysis (pp. 1–21). Florida: Taylor & Francis.
  12. Ishikawa, K., Shinozawa, Y., & Sakurai, A. (2011). Self-Organization and Aggregation of Knowledge. In J. I. Mwasiagi (Ed.), Self Organizing Maps - Applications and Novel Algorithm Design (pp. 143–173). Rijeka: InTech Open
  13. Jagric, T., Bojnec, S., & Jagric, V. (2015). Optimized spiral spherical selforganizing map approach to sector analysis - The case of banking. Expert Systems with Appl