SavedAdd your journal

Journals / Maliye ve Finans Yazıları / 2021 / Sayı: 115

Finansal Tablo Hileleri’nin Makine Öğrenmesi Yöntemleri ve Lojistik Regresyon Kullanılarak Tahmin Edilmesi: Borsa İstanbul Örneği

Barış AKSOY
Pages
27–58
Publication Date
2021-04-13
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)

Bu sonuç mali tablo sahtekârlığı tahmin çalışmalarında kullanılan yöntemlere, bu çalışmada elde edilen tüm modellerin dâhil edilebileceğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada Borsa İstanbul’da 2000-2019 yılları arasında işlem gören 88 şirketin finansal tablolarında sahtekârlık yapıp yapmadıkları bir yıl öncesinden tahmin etmek için etkili bir model oluşturulması amaçlanmıştır.
📊
Key Findings & Data:Analiz sonucunda ANN (%96,15), CART (%96,15), SVM (%80,77) ve LR (80,77) test örneği genel tahmin doğruluğu elde edilmiştir.
💡
Conclusion & Impact:Bu sonuç mali tablo sahtekârlığı tahmin çalışmalarında kullanılan yöntemlere, bu çalışmada elde edilen tüm modellerin dâhil edilebileceğini göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:2000-2019 Verileri
⚙️Variables:Finansal Tablo Hileleri · Makine Öğrenmesi · Lojistik Regresyon

Özet

Bu çalışmada Borsa İstanbul’da 2000-2019 yılları arasında işlem gören 88 şirketin finansal tablolarında sahtekârlık yapıp yapmadıkları bir yıl öncesinden tahmin etmek için etkili bir model oluşturulması amaçlanmıştır. Bu amaçla makine öğrenmesi yöntemlerinden Yapay Sinir Ağları (ANN), Sınıflandırma ve Regresyon Ağaçları (CART), Destek Vektör Makinesi (SVM) ile Lojistik Regresyon (LR) yöntemleri kullanılarak mali tablo dolandırıcılığı tahmin edilmiştir. Analiz sonucunda ANN (%96,15), CART (%96,15), SVM (%80,77) ve LR (80,77) test örneği genel tahmin doğruluğu elde edilmiştir. ANN ve CART yöntemleri test örneğinde mali tablolarında sahtekârlık yapmış 13 şirketin tamamını (%100.00) doğru sınıflandırmıştır. Bu sonuç mali tablo sahtekârlığı tahmin çalışmalarında kullanılan yöntemlere, bu çalışmada elde edilen tüm modellerin dâhil edilebileceğini göstermektedir.

🔖

Cite This Article

AKSOY, B. (2021). Finansal Tablo Hileleri’nin Makine Öğrenmesi Yöntemleri ve Lojistik Regresyon Kullanılarak Tahmin Edilmesi: Borsa İstanbul Örneği. Maliye ve Finans Yazıları, Sayı: 115, 27–58. https://ajindex.com/articles/384095

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Albashrawi, M. (2016). Detecting Financial Fraud using Data Mining Techniques: A Decade Review From 2004 To 2015. Journal of Data Science, 14, 553-570.
  2. Chen, S. (2016). Detection of Fraudulent Financial Statements using the Hybrid Data Mining Approach. Chen SpringerPlus, 5(89), 1-16.
  3. Chintalapati, S. S., & G.Jyotsna. (2013). Application of Data Mining Techniques for Financial Accounting Fraud Detection Scheme. International Journal of Advanced Research in Computer Science and Software Engineering, 3 (11), 717-724.
  4. Çelik, U., Akçetin, E., & Gök, M. (2017). Rapidminer ile Veri Madenciliği. İstanbul:
  5. Pusula Yayınları.
  6. Çokluk, Ö., Şekercioğlu G., & Büyüköztürk Ş. (2016). Sosyal Bilimler İçin Çok Değişkenli İstatistik SPSS ve LISREL Uygulamaları, Ankara:
  7. Pegem Akademi Yayını. Delen, D., Kuzey, C., & Uyar, A. (2013). Measuring Firm Performance using Financial Ratios: A Decision Tree Approach. Expert Systems with Applications, 40, 3970-3983.
  8. Dener, M., Dörterler, M., & Orman, A. (2009). Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama. Conference: XI. Akademik Bilişim Konferansı, Şanlıurfa: 1-11.
  9. Fındık, H., & Öztürk, E. (2016). Finansal Bilgi Manipülasyonunun Beneish Modeli Yardımıyla Ölçülmesi: BIST İmalat Sanayi Üzerine Bir Araştırma. İşletme Araştırmaları Dergisi, 8(1), 483-499.
  10. Apparao, G., Singh, A., G.S.Rao, Bhavani, B., K.Eswar, & D.Rajani. (2009). Financial Statement Fraud Detection by Data Mining. Int. J. of Advanced Networking and Applications, 1(3), 159-163.
  11. Gaganis, C. (2009). Classification Techniques for the Identification of Falsified Financial Statements: A Comparative Analysis. Intelligent Systems in Accounting, Finance and Management, 16, 207-229.
  12. Gallego, A. G., & Quintana, M. J. (2012). Business Failure Prediction Models: Finding The Connection Between Their Result And the Sampling Method. Preparation of Electronic Manuscripts for Publication, 157-168.
  13. Jan, C.-l. (2018). An Effective Financial Statements Fraud Detection Model for The Sustainable Development of Financial Markets: Evidence From Taiwan. Sustainability, 10(513), 1-14.
  14. Jardin, P. d. (2016). A Two-Stage Classification Technique for Bankruptcy Prediction. European Journal of Operational Research, 254, 236-252.
  15. Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining Techniques for The Detection of Fraudulent Financial Statements. Expert Systems with Applications, 32, 995-1003.
  16. Kotsiantis, S., Koumanakos, E., Tzelepis, D., & Tampakas, V. (2007). Forecast