KaydedilenlerDerginizi ekleyin

Dergiler / Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2025 / Sayı: 72

Değere dayalı firma derecelendirmesi: Makine öğrenmesi yöntemleriyle Türk çimento firmaları örneği

Value-based firm rating: The case of Turkish cement firms with machine learning methods

Müge Peştere-akçay(Pamukkale Üniversitesi)0000-0003-4700-9769
İlhan Küçükkaplan(PAMUKKALE ÜNİVERSİTESİ)0000-0001-6926-3659
Şaban Nazlıoğlu(Pamukkale Üniversitesi)0000-0002-3607-3434
Sayfa
31–37
Yayın Tarihi
2025-12-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ampirik bulgular, K-en yakın komşu (KNN) makine öğrenmesi yönteminin değer temelli bir derecelendirme modeliyle birlikte kullanıldığında en yüksek öngörü doğruluğunu sağladığını; yalnızca finansal oranlara dayalı modellerin ise en zayıf performansı gösterdiğini ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, gelişmiş makine öğrenmesi tekniklerini kullanarak değer temelli firma derecelendirmesi analizi gerçekleştirmektedir.
📊
Temel Bulgular & Veri:Analiz, 2006–2019 dönemini kapsayan ve 12 Türk çimento firmasına ait bilanço ve gelir tablosu verilerine dayanmaktadır.
💡
Sonuç & Katkı:Ampirik bulgular, K-en yakın komşu (KNN) makine öğrenmesi yönteminin değer temelli bir derecelendirme modeliyle birlikte kullanıldığında en yüksek öngörü doğruluğunu sağladığını; yalnızca finansal oranlara dayalı modellerin ise en zayıf performansı gösterdiğini ortaya koymaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2006–2019 Verileri
⚙️Değişkenler:irma derecelendirme · makine öğrenmesi · firma oranı

Özet

Bu çalışma, gelişmiş makine öğrenmesi tekniklerini kullanarak değer temelli firma derecelendirmesi analizi gerçekleştirmektedir. Analiz, 2006–2019 dönemini kapsayan ve 12 Türk çimento firmasına ait bilanço ve gelir tablosu verilerine dayanmaktadır. Çalışmada, firma varlıkları, ülke riski, sektör riski ve piyasa dinamikleri gibi kapsamlı bir mikro ve makroekonomik değişken setini içeren değer temelli bir derecelendirme modeli geliştirilmektedir. Ayrıca, beş alternatif derecelendirme modelinin öngörü performansları değerlendirilmekte ve karşılaştırılmaktadır: (i) indirgenmiş nakit akımı (DCF) temelli değer derecelendirmesi, (ii) piyasa değeri temelli derecelendirme, (iii) finansal oranlara dayalı derecelendirme, (iv) finansal oranlar ile DCF değerine dayalı derecelendirme ve (v) finansal oranlar ile piyasa değerine dayalı derecelendirme. Ampirik bulgular, K-en yakın komşu (KNN) makine öğrenmesi yönteminin değer temelli bir derecelendirme modeliyle birlikte kullanıldığında en yüksek öngörü doğruluğunu sağladığını; yalnızca finansal oranlara dayalı modellerin ise en zayıf performansı gösterdiğini ortaya koymaktadır. Ayrıca, firma değerinin finansal oran temelli modellere dâhil edilmesi bu modellerin öngörü gücünü belirgin biçimde artırmakta, firma değerinin dışarıda bırakılması ise sistematik yanlılıklara yol açabilmektedir. Bu bulgular, değer temelli bilgilerin veri odaklı derecelendirme sistemlerine entegre edilmesinin önemini vurgulamakta; firma temelleri ile piyasa koşullarını birlikte yakalayan modellerin kurumsal finansal sağlığın değerlendirilmesinde daha güvenilir bir çerçeve sunduğunu ve belirsizlik ortamlarında karar alıcılara daha derinlemesine içgörüler sağladığını göstermektedir.

Abstract

This study conducts a value-based firm rating analysis utilizing advanced machine learning techniques. The analysis is based on balance sheet and income statement data spanning 2006 to 2019 for 12 Turkish cement firms. We develop a value-based rating model that integrates a comprehensive set of micro- and macroeconomic variables, including firm assets, country risk, sector risk, and market dynamics. Furthermore, we assess and compare the predictive performance of five alternative rating models: (i) discounted cash flow (DCF) value-based rating, (ii) market value-based rating, (iii) financial ratios-based rating, (iv) financial ratios and DCF value-based rating, and (v) financial ratios and market value-based rating. The empirical results indicate that the K-nearest neighbors (K-NN) machine learning method delivers superior predictive accuracy when combined with a value-based rating model; models relying solely on financial ratios exhibit the weakest performance. Moreover, incorporating firm value into financial ratio-based models significantly enhances their predictive power, while excluding firm value may lead to systematic biases. These findings highlight the importance of integrating valuation-based information into data-driven rating systems, suggesting that models capturing both firm fundamentals and market conditions offer a more reliable framework for evaluating corporate financial health, and thus provide deeper insights for decision-makers, particularly under uncertainty.

🔖

Bu Makaleye Atıf Yap

Peştere-akçay, M., Küçükkaplan, İ., Nazlıoğlu, Ş. (2025). Değere dayalı firma derecelendirmesi: Makine öğrenmesi yöntemleriyle Türk çimento firmaları örneği. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı: 72, 31–37. https://doi.org/10.18070/erciyesiibd.1664645

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (33)

  1. Aiken, K. D., & Boush, D. M. (2006). Trustmarks, objective-source ratings, and implied investments in advertising: Investigating online trust and the context-specific nature of Internet signals. Journal of the Academy of Marketing Science, 34(3), 308–323. https://doi.org/10.1177/0092070304271004
  2. Altan, G., & Demirci, S. (2022). Makine öğrenmesi ile nakit akış tablosu üzerinden kredi skorlaması: XGBoost yaklaşımı. İktisat Politikası Araştırmaları Dergisi, 9(2), 397–424. https://doi.org/10.26650/JEPR1114842
  3. Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4), 589–609. https://doi.org/10.2307/2978933
  4. Altman, E. I., Haldeman, R. G., & Narayanan, P. (1977). ZETA™ analysis: A new model to identify bankruptcy risk of corporations. Journal of Banking & Finance, 1(1), 29–54. https://doi.org/10.1016/0378-4266(77)90017-6
  5. Atiya, A. F. (2001). Bankruptcy prediction for credit risk using neural networks: A survey and new results. IEEE Transactions on Neural Networks, 12(4), 929–935. https://doi.org/10.1109/72.935101
  6. Bannier, C. E., & Hirsch, C. W. (2010). The economic function of credit rating agencies–What does the watchlist tell us? Journal of Banking & Finance, 34(12), 3037-3049. https://doi.org/10.1016/j.jbankfin.2010.07.002
  7. Beaver, W. H. (1968). Alternative accounting measures as predictors of failure. The Accounting Review, 43(1), 113–122.
  8. Becchetti, L., & Sierra, J. (2003). Bankruptcy risk and productive efficiency in manufacturing firms. Journal of Banking & Finance, 27(11), 2099–2120. https://doi.org/10.1016/S0378-4266(02)00319-9
  9. Berkhin, P. (2006). A survey of clustering data mining techniques. In J. Kogan, C. Nicholas, & M. Teboulle (Eds.), Grouping multidimensional data: Recent advances in clustering (pp. 25–71). Springer. https://doi.org/10.1007/3-540-28349-8_2
  10. Binici, M., Hutchison, M., & Miao, E. W. (2020). Market price effects of agency sovereign debt announcements: Importance of prior credit states. International Review of Economics & Finance, 69, 769–787. https://doi.org/10.1016/j.iref.2020.04.005
  11. Chen, H. (2010). Macroeconomic conditions and the puzzles of credit spreads and capital structure. The Journal of Finance, 65(6), 2171–2212. https://doi.org/10.1111/j.1540-6261.2010.01613.x
  12. Cındık, Z., & Armutlulu, I. H. (2021). A revision of Altman Z-score model and a comparative analysis of Turkish companies’ financial distress prediction. National Accounting Review, 3(2), 237–255. https://doi.org/10.3934/NAR.2021012
  13. Coats, P. K., & Fant, L. F. (1993). Recognizing financial distress patterns using a neural network tool. Financial Management, 22(3), 142–155. https://doi.org/10.2307/3665934
  14. Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. https://doi.org/10.1109/TIT.1967.1053964
  15. Çolak, M. S. (2021). A new multivariate approach for assessing corporate financial risk using balance sheets. Borsa Istanbul Review, 21(3), 239–255. https://doi.org/10.1016/j.bir.2020.10.007
  16. Damodaran, A. (2014). Applied corporate finance (4th ed.). Wiley.
  17. Daniel, C., Hančlová, J., & El Woujoud Bousselmi, H. (2019). Corporate rating forecasting using artificial intelligence statistical techniques. Investment Management & Financial Innovations, 16(2), 295–305. https://doi.org/10.21511/imfi.16(2).2019.25
  18. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: With applications in R (1st ed.). Springer. https://doi.org/10.1007/978-1-4614-7138-7
  19. Johnsen, T., & Melicher, R. W. (1994). Predicting corporate bankruptcy and financial distress: Information value added by multinomial logit models. Journal of Economics and Business, 46(4), 269–286. https://doi.org/10.1016/0148-6195(94)90038-8
  20. Kumar, K. V., & Rao, S. H. (2012). Credit rating: Role in modern financial system. International Journal of Marketing, Financial Services & Management Research, 1(8), 126–138.
  21. Lau, A. H. L. (1987). A five-state financial distress prediction model. Journal of Accounting Research, 25(1), 127–138. https://doi.org/10.2307/2491262
  22. Liang, D., Lu, C. C., Tsai, C. F., & Shih, G. A. (2016). Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study. European Journal of Operational Research, 252(2), 561–572. https://doi.org/10.1016/j.ejor.2016.01.012
  23. Ng, A., & Ariff, M. (2019). Does credit rating revision affect the price of a special class of common stock? Borsa Istanbul Review, 19(1), S44–S55. https://doi.org/10.1016/j.bir.2019.02.004
  24. Odom, M. D., & Sharda, R. (1990). A neural network model for bankruptcy prediction. In 1990 IJCNN International Joint Conference on Neural Networks (Vol. 2, pp. 163–168). IEEE. https://doi.org/10.1109/IJCNN.1990.137710
  25. Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109–131. https://doi.org/10.2307/2490395
  26. Takahashi, K., Kurokawa, Y., & Watase, K. (1984). Corporate bankruptcy prediction in Japan. Journal of Banking & Finance, 8(2), 229–247. https://doi.org/10.1016/0378-4266(84)90005-0
  27. Tam, K. Y., & Kiang, M. Y. (1992). Managerial applications of neural networks: The case of bank failure predictions. Management Science, 38(7), 926–947. https://doi.org/10.1287/mnsc.38.7.926
  28. Wang, G., & Ma, J. (2011). Study of corporate credit risk prediction based on integrating boosting and random subspace. Expert Systems with Applications, 38(11), 13871–13878. https://doi.org/10.1016/j.eswa.2011.04.191
  29. West, D. (2000). Neural network credit scoring models. Computers & Operations Research, 27(11–12), 1131–1152. https://doi.org/10.1016/S0305-0548(99)00149-5
  30. Ye, J., Janardan, R., & Li, Q. (2004). GPCA: An efficient dimension reduction scheme for image compression and retrieval. In Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 354–363). https://doi.org/10.1145/1014052.1014092
  31. Yurdakul, M., & İç, Y. T. (2004). AHP approach in the credit evaluation of the manufacturing firms in Turkey. International Journal of Production Economics, 88(3), 269–289. https://doi.org/10.1016/S0925-5273(03)00189-0
  32. Zelenkov, Y., Fedorova, E., & Chekrizov, D. (2017). Two-step classification method based on genetic algorithm for bankruptcy forecasting. Expert Systems with Applications, 88(2), 393–401. https://doi.org/10.1016/j.eswa.2017.07.025
  33. Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research, 22(1), 59–82. https://doi.org/10.2307/2490859