Journals / Akademik Yaklaşımlar Dergisi / 2014 / Cilt: 5 - Sayı: 1

Mali Tablo Denetiminde Ön Analitik İnceleme Tekniği Olarak Veri Madenciliğinin Kullanımı: Borsa İstanbul Uygulaması

Pages
13–36
Publication Date
2014-06-01
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, correct classification estimation was achieved at a rate as high as 95% with the k-nearest neighbor algorithm and 10-fold cross-validation technique

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Auditors will have to be reached the judgment about the firm that will be supervised to perform a good quality audit as much as possible in a short time.
📊
Key Findings & Data:In our study, we aimed to classify 40 companies listed in Borsa İstanbul as financially successful or financially unsuccessful with data mining algorithms using datas of the financial statement of these companies .
💡
Conclusion & Impact:As a result, correct classification estimation was achieved at a rate as high as 95% with the k-nearest neighbor algorithm and 10-fold cross-validation technique
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Mali Tablo Denetimi · Veri Madenciliği · Sınıflama Analizi

Abstract

Auditors will have to be reached the judgment about the firm that will be supervised to perform a good quality audit as much as possible in a short time. To reach this judgment, the auditors benefit from the company's financial statements. Financial statements arranged in accordance with International Financial Reporting Standards are important indicators that provide information about companies. These statements is one of the instruments the auditor can use it during the analytical review activities in stage of the audit program. In our study, we aimed to classify 40 companies listed in Borsa İstanbul as financially successful or financially unsuccessful with data mining algorithms using datas of the financial statement of these companies . As a result, correct classification estimation was achieved at a rate as high as 95% with the k-nearest neighbor algorithm and 10-fold cross-validation technique

Özet

Kaliteli bir denetim gerçekleştirmek adına denetçi mümkün olduğunca denetleyeceği firma hakkında varacağı yargıya kısa bir süre içinde ulaşmalıdır. Bu yargıya varmak için denetçi, firmanın mali tablolarından yararlanmaktadır. Uluslararası Finansal Raporlama Standartlarına uygun olarak düzenlenmiş bu mali tablolar, firma hakkında bilgi sağlayan önemli göstergeler olup, denetim programı aşamalarından olan analitik inceleme faaliyeti sırasında denetçinin yararlanacağı araçlardan biridir. Çalışmamızda Borsa İstanbul’a kayıtlı 40 şirketin mali tablo verileri kullanılmış, bu şirketlerin veri madenciliği algoritmalarıyla finansal olarak başarılı ya da başarısız olarak sınıflandırılarak ön analitik inceleme faaliyetinin kısa sürede tamamlanması hedeflenmiştir. Sonuç olarak, k-en yakın komşu algoritması ve 10 kat çapraz doğrulama tekniği ile %95 gibi yüksek bir oranda doğru finansal sınıflama tahmini elde edilmiştir.

🔖

Cite This Article

KIRLIOĞLU, H., CEYHAN, İ. F. (2014). Mali Tablo Denetiminde Ön Analitik İnceleme Tekniği Olarak Veri Madenciliğinin Kullanımı: Borsa İstanbul Uygulaması. Akademik Yaklaşımlar Dergisi, Cilt: 5 - Sayı: 1, 13–36. https://ajindex.com/articles/2367

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. Aci, M. & Avci, M. (2011). K nearest neighbor reinforced expectation maximization method. Expert Systems with Applications, 38, 10, 15, 12585-12591.
  2. Akyel, N. & Seçkin K. (2011). K-en yakın komşuluk algoritmasının hile denetiminde kullanımı. Muhasebe ve Vergi Uygulamaları Dergisi, 51, 21-39.
  3. Albayrak, A.S. & Koltan Yılmaz, Ş. (2009). Veri madenciliği karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14, 1, 31-52.
  4. Almonacid F., Fernández, E.F., Rodrigo, P., Pérez-Higueras, P.J. & Rus-Casas, C. (2013). Estimating the maximum power of a high concentrator photovoltaic (HCPV) module using an Artificial Neural Network. Energy, 53, 165-172.
  5. Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, XXIII, 4, 589-609.
  6. Arens, A. & Loebbecke, J. (2000). Auditing: An Integrated Approach. New Jersey: Prentice Hall. Arens, A., Randall, J., & Beasley, M. (2006). Auditing and Assurance Services: An Integrated Approach (11. b.). New Jersey: Prentice Hall. Bankalarda Bağımsız Denetim Gerçekleştirecek Kuruluşların Yetkilendirilmesi ve Faaliyetleri Hakkında Yönetmelik, md.33/g Bhat, M.S. & Rau, A.V. (2008). Managerial Economics and Financial Economics. Hyderabad Sultan Bazar: BS Publications,. Boran, L. (2012). Veri Madenciliğinin Türk İşletmelerin Finansal Tablolarına Uygulanması ve Uygulama Örneği. Yayınlanmamış Doktora Tezi, Marmara Üniversitesi S.B.E., İstanbul.
  7. Cerullo, M. J. & Cerullo, V. (1999). Using neural networks to predict financial reporting fraud. Computer Fraud & Security, May/June, 14–17.
  8. Cunha C. D., Agard, B., & Kusiak, A. (2006). Data mining for improvement of product quality. International Journal of Production Research, 44:18/19, 4041–4054.
  9. Fanning, K., Cogger, K., & Srivastava, R. (1995). Detection of management fraud: a neural network approach. International Journal of Intelligent Systemsin Accounting, Finance & Management, 4, 2, 113– 26. Fanning, K. & Cogger, K. (1998). Neural network detection of management fraud using published financial data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7, 1, 21- 24. Feroz, E. H., Kwon, T. M., Pastena, V. & Park, K. J. (2000). The efficacy of red flags in predicting the SEC's targets: an artificial neural networks Approach. International Journal of Intelligent Systems in Accounting, Finance, and Management, 9, 3, 145–15