SavedAdd your journal

Journals / Finans Politik ve Ekonomik Yorumlar Dergisi / 2021 / Cilt: 58 - Sayı: 656

PREDICTING FORECASTING PERFORMANCE OF DATA MININGMETHODS IN CREDIT RATING OF DEPOSIT BANKS: THE CASE OFTURKEY

MEVDUAT BANKALARININ KREDĠ DERECELENDĠRMESĠNDE VERĠ MADENCĠLĠĞĠ YÖNTEMLERĠ TAHMĠN PERFORMANSININ ÖLÇÜLMESĠ: TÜRKĠYE ÖRNEĞĠ

Veli AKEL
Barış AKSOY
Talip TORUN
Pages
25–55
Publication Date
2022-10-18
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 results obtained in this study show that the relevant people can include the models obtained in this study to the models they already use.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, 2010-2016 period credit rating of 12 deposit banks having the highest share in terms of total assets was predicted.
📊
Key Findings & Data:One year ago credit rating prediction rates of 12 deposit banks operating in Turkey was ANN (98,81%), L (84,52%), KNN (75,00%), NB (60,71%), respectively.
💡
Conclusion & Impact:The results obtained in this study show that the relevant people can include the models obtained in this study to the models they already use.
🔬Design:Modeling & Simulation
📍Scope:2010-2016 Verileri
⚙️Variables:Domain Parameters

Abstract

In this study, 2010-2016 period credit rating of 12 deposit banks having the highest share in terms of total assets was predicted. Using the financial statement data of the banks within the scope of the sample, the financial strength of the relevant banks was predicted by Artificial Neural Networks (ANN), Logistic Regression (LR), K-Nearest Neighbor Algorithm (KNN) and NaiveBayes (NB) algorithm. The prediction results were compared under the distinctive features of the methods used in the study. One year ago credit rating prediction rates of 12 deposit banks operating in Turkey was ANN (98,81%), L (84,52%), KNN (75,00%), NB (60,71%), respectively. The results obtained in this study show that the relevant people can include the models obtained in this study to the models they already use.

Özet

Bu çalıĢmada Türkiye‟de aktif büyüklüğü yönünden en yüksek paya sahip 12 mevduat bankasının 2010-2016 döneminde kredi derece notu tahmin edilmiĢtir. Örnek kapsamındaki bankaların finansal tablo verileri kullanılarak ilgili bankaların finansal güç derecesi Yapay Sinir Ağları (YSA), Lojistik Regresyon (LR), K-En Yakın KomĢu Algoritması (KNN) ve NaiveBayes (NB) algoritması ile tahmin edilmiĢtir. AraĢtırmada kullanılan yöntemlerin ayırt edici özellikleri altında tahmin sonuçları karĢılaĢtırılmıĢtır. Türkiye‟de faaliyet gösteren 12 mevduat bankasının kredi derece notunun bir yıl öncesi tahmin oranları yüksekten düĢüğe doğru YSA (%98,81), LR (%84,52), KNN (%75,00), NB (%60,71) olarak bulunmuĢtur. Bu araĢtırmada ulaĢılan sonuçlar, ilgililerin kullandıkları modellere bu çalıĢmada elde edilen modelleri de dâhil edebileceklerini göstermektedir.

🔖

Cite This Article

AKEL, V., AKSOY, B., TORUN, T. (2022). PREDICTING FORECASTING PERFORMANCE OF DATA MININGMETHODS IN CREDIT RATING OF DEPOSIT BANKS: THE CASE OFTURKEY. Finans Politik ve Ekonomik Yorumlar Dergisi, Cilt: 58 - Sayı: 656, 25–55. https://ajindex.com/articles/516498

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. AKAY, Ebru. ÇAĞLAYAN; (2018), “Ekonometride Yeni Bir Ufuk: Büyük Veri ve Makine Öğrenmesi”, Social Sciences Research Journal, 7(2), ss. 41-53.
  2. AKBULAK, Yavuz; (2012), “Kredi Derecelendirmesi veya Rating: Kavram ve Ölçütler”, Mali Çözüm, Mayıs-Haziran, ss. 171-184.
  3. AKPINAR, Haldun; (2014). Data Veri Madenciliği Veri Analizi. Ġstanbul: Papatya Yayınları. AYTEKĠN, Sinan ve ġakir SAKARYA; (2013), “BIST‟deki Mevduat Bankalarının Finansal Performanslarının 2001 ve 2008 Finansal Krizleri Çerçevesinde Camels Derecelendirme Sistemi ile Değerlendirilmesi”, AĠBÜ Sosyal Bilimler Enstitüsü Dergisi, 13(2), ss. 25-58. BEKTAġ, Hakan ve Ahmet GÖKÇEN; (2011), “Türk Bankacılık Sektöründe Finansal Güç Derecesine Sahip Olan Bankaların Kantitatif Verilerinin Ġstatistiksel Analizi”, Marmara Üniversitesi Ġ.Ġ.B.F. Dergisi, 31(2), ss. 345-366.
  4. BELLOTTI, Tony, Roman MATOUSEK ve Chris STEWART; (2011), “Are Rating Agencies' Assignments Opaque? Evidence from International Banks”, Expert Systems with Applications, 38(4), pp. 4206-4214. BISSOONDOYAL-BHEENĠCK, Emawtee ve Sirimon TREEPONGKARUNA; (2011), “An Analysis of the Determinants of Bank Ratings: Comparison Across Rating Agencies”, Australian Journal of Management, 36(3), pp. 405-424.
  5. BODUR, Çağlayan ve Suat TEKER; (2005), “Ticari Firmaların Kredi Derecelendirmesi: ĠMKB Firmalarına Uygulanması”, ĠTÜ Sosyal Bilimler Dergisi, 2(1), ss. 25-36.
  6. BOYACIOĞLU, Melek Acar; (2003), Bankalarda Derecelendirme (Rating) ve Türk Bankacılık Sektörü Üzerine Ampirik Bir ÇalıĢma. Konya: Selçuk Üniversitesi Sosyal Bilimler Enstitüsü YayımlanmamıĢ Doktora Tezi. ÇELĠK, Ufuk, Eyüp AKÇETĠN ve Murat GÖK, M; (2017), Rapidminer Ġle Veri Madenciliği. Ġstanbul: Pusula Yayınları.
  7. ELKHOURY, Marwan; (2008), “Credit Rating Agencies and Their Potential Impact on Dveloping Countries. United Nations Conference on Trade and Development”, Discussion Papers, No: 186. ÇOKLUK, Ömay, Güçlü ġEKERCĠOĞLU ve ġener BÜYÜKÖZTÜRK; (2016). Sosyal Bilimler Ġçin Çok DeğiĢkenli Ġstatistik SPSS ve LISREL Uygulamaları, Ankara:
  8. Pegem Akademi Yayını. ENKE, David ve Suraphan Thawornwong; (2005), “The Use of Data Mining and Neural Networks for Forecasting Stock Market Returns”, Expert Systems with Applications, (29), 927-940.
  9. EREN, Erkan; (2010), “Derecelendirme KuruluĢları Tarafından Verilen Notlar Sebebiyle Üçüncü KiĢilerin Uğrayabileceği Zararlardan Kaynaklanan Sorumluluğun Hukuki Niteliği”, BDDK Bankacılık ve Finansal Piyasalar, 4(2), ss. 111-144.
  10. ERKAN, Mustafa ve Mustafa YaĢar