AI Summary & Key Takeaways
AI InsightProfitability ratios being the most important ratios in the prediction of failure.
📌 3 Key Takeaways
Abstract
In this study we predicted financial failure with linear discriminant analysis, neutral Networks and classification and regression trees (CART) which are among the multivariable tecniques. We aimed at camparison this predictings and determine which method and period can yield the most correct result. Analysis were applied for datas for industry companies trading in İstanbul Stock Exchange between 1997-2007. As a result of this study, although all methods have high predicting power of financial failure one, two and three years prior to failure, neutral Networks has lower and classification and regression trees has the highest predicting power than other methods. Profitability ratios being the most important ratios in the prediction of failure.
Özet
Bu çalişmada, finansal başarisizlik tahmininde kullanilan çok değişkenli istatistiksel modellerden lojistik regresyon, siniflama ve regresyon ağaçlari ve yapay sinir ağlari yöntemleri ile finansal başarisizlik tahmin edilmiş, sonuçlar karşilaştirilarak en uygun tahmin model, finansal başarisizlik tahmininde en etkili değişkenler ve başarisizlik tahminlerinin en doğru sonuçlari verdiği inceleme dönemi belirlenmeye çalişilmiştir. Analizler hisse senetleri 1997-2007 yillari arasinda İstanbul Menkul Kiymetler Borsasi'nda (İ.M.K.B) işlem gören sinai işletmeleri üzerinde gerçekleştirilmiştir. Tüm yöntemler finansal başarisizlik tarihinden 1, 2 ve 3 yil öncesinden başarili ve başarisiz işletmeleri yüksek doğruluk oranlarinda tahmin etmeyi başarmiştir. Ancak yapay sinir ağlari modelinin diğer modellere göre daha düşük tahmin başarisi gösterdiği ve siniflama ve regresyon ağaçlari yöntemi ile başari düzeyi yüksek sonuçlar elde edildiği saptanmiştir. Başarisizlik tarihinden önceki yillarda tahmin başarisinin düştüğü, karlilik oranlari başarili ve başarisiz işletme ayriminin yapilmasinda en etkili oran grubu olduğu belirlenmiştir.