KaydedilenlerDerginizi ekleyin

Dergiler / Malatya Turgut Özal Üniversitesi İşletme ve Yönetim Bilimleri Dergisi / 2026 / Cilt: 7 Sayı: 2

LASSO ve Finansal Oranlar Kullanılarak Şirketlerin Likiditesinin Tahmin Edilmesi: Borsa İstanbul’dan Bulgular (2015–2025)

Predicting Corporate Liquidity Using LASSO and Financial Ratios: Evidence From Borsa Istanbul

Sayed Ziaullah Aminy(HİTİT ÜNİVERSİTESİ, İKTİSADİ VE İDARİ BİLİMLER FAKÜLTESİ, FİNANS VE BANKACILIK BÖLÜMÜ, FİNANS VE BANKACILIK PR.)0009-0000-3816-3022
Cihat Savsar(Hitit Üniversitesi)0000-0002-8152-1590
Sayfa
211–241
Yayın Tarihi
2026-10-22
DOI
—
🏛️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)

Bulgular: Bulgular, tüm tahmin yöntemlerinde Aktif Kârlılığı (Return on Assets-ROA) değişkeninin kurumsal likiditenin en güçlü belirleyicisi olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Amaç: Bu çalışma, Borsa İstanbul'da (BIST) işlem gören finans sektörü dışındaki (finansal olmayan) şirketlerde kurumsal likiditenin temel finansal belirleyicilerini belirlemede düzenlileştirilmiş makine öğrenmesi regresyon tekniklerinin etkinliğini incelemektedir.
📊
Temel Bulgular & Veri:Yöntem: Analiz, 2015–2025 dönemini kapsayan ve Finnet Finansal Veri Tabanı'ndan elde edilen dengesiz panel veri seti kullanılarak gerçekleştirilmiştir.
💡
Sonuç & Katkı:Bulgular: Bulgular, tüm tahmin yöntemlerinde Aktif Kârlılığı (Return on Assets-ROA) değişkeninin kurumsal likiditenin en güçlü belirleyicisi olduğunu göstermektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:2015–2025 Verileri
⚙️Değişkenler:Likidite · Finansal Kriterler · Lasso Daraltma (Contraction) Yapay Zekâ Yaklaşım

Özet

Amaç: Bu çalışma, Borsa İstanbul'da (BIST) işlem gören finans sektörü dışındaki (finansal olmayan) şirketlerde kurumsal likiditenin temel finansal belirleyicilerini belirlemede düzenlileştirilmiş makine öğrenmesi regresyon tekniklerinin etkinliğini incelemektedir. Ayrıca çalışma, alternatif cezalandırılmış regresyon modellerinin tahmin performansını geleneksel panel veri tahmincileriyle karşılaştırmaktadır. Yöntem: Analiz, 2015–2025 dönemini kapsayan ve Finnet Finansal Veri Tabanı'ndan elde edilen dengesiz panel veri seti kullanılarak gerçekleştirilmiştir. Veri temizleme sürecinin ardından nihai örneklem, finans sektörü dışındaki 236 şirkete ait 1.834 firma-yıl gözleminden oluşmaktadır. Kurumsal likidite Cari Oran (Current Ratio) ile ölçülmüş, bağımsız değişken olarak ise on bir finansal oran kullanılmıştır. Ampirik analiz kapsamında LASSO, Adaptive LASSO, Ridge Regresyonu, Elastic Net, Square-Root LASSO, Post-LASSO OLS, En Küçük Kareler (OLS), Sabit Etkiler (Fixed Effects) ve Tesadüfi Etkiler (Random Effects) modelleri uygulanmıştır. Model seçimi 10 katlı çapraz doğrulama (10-fold cross-validation) ve Genişletilmiş Bayes Bilgi Kriteri (Extended Bayesian Information Criterion-EBIC) kullanılarak gerçekleştirilmiştir. Bulgular: Bulgular, tüm tahmin yöntemlerinde Aktif Kârlılığı (Return on Assets-ROA) değişkeninin kurumsal likiditenin en güçlü belirleyicisi olduğunu göstermektedir. Kaldıraç Oranı (Leverage Ratio) likidite ile güçlü ve negatif bir ilişki sergilerken, Alacak Devir Hızı (Receivables Turnover Ratio) ve Faaliyet Kârlılığı (Operating Profitability) likidite üzerinde pozitif ilişkiye sahiptir. Adaptive LASSO modeli, yalnızca üç anlamlı değişkeni koruyarak güçlü tahmin doğruluğunu sürdürmesi nedeniyle en yalın ve ekonomik açıdan en anlamlı model olarak öne çıkmaktadır. Post-LASSO OLS ve Post-OLS’li Elastic Net modelleri ise en yüksek açıklayıcılık düzeyine (R² ≈ 0,825) ulaşmıştır. Özgünlük/Değer: Bu çalışma, gelişmekte olan bir piyasa ortamında kurumsal likiditenin en önemli belirleyicilerini belirlemede düzenlileştirilmiş regresyon tekniklerinin geleneksel ekonometrik yaklaşımlardan daha başarılı olduğunu ortaya koyarak kurumsal finans ve makine öğrenmesi literatürüne katkı sağlamaktadır. Elde edilen bulgular, şirketlerin kısa vadeli finansal gücünün değerlendirilmesinde yatırımcılar, finansal analistler ve şirket yöneticileri için önemli uygulamalı çıkarımlar sunmaktadır.

Abstract

Purpose: This study investigates the effectiveness of regularized machine-learning regression techniques in identifying the key financial determinants of corporate liquidity among non-financial firms listed on Borsa Istanbul (BIST). The study further evaluates the predictive performance of alternative penalized regression models relative to conventional panel-data estimators. Methodology: The analysis employs an unbalanced panel dataset obtained from the Finnet Financial Database covering the period 2015–2025. After data-cleaning procedures, the final sample consists of 1,834 firm-year observations from 236 non-financial firms. The Current Ratio measures corporate liquidity, while eleven financial ratios are used as explanatory variables. The empirical framework incorporates LASSO, Adaptive LASSO, Ridge Regression, Elastic Net, Square-Root LASSO, Post-LASSO OLS, Ordinary Least Squares (OLS), Fixed Effects, and Random Effects models. Model selection is conducted using 10-fold cross-validation and the Extended Bayesian Information Criterion (EBIC). Findings: The results consistently identify Return on Assets (ROA) as the most influential predictor of corporate liquidity across all estimation techniques. Leverage Ratio exhibits a robust negative relationship with liquidity, whereas Receivables Turnover Ratio and Operating Profitability exhibit positive relationships with liquidity performance. The Adaptive LASSO model provides the most parsimonious and economically meaningful specification, retaining only three significant predictors while maintaining strong predictive accuracy. Post-LASSO OLS and Elastic Net with Post-OLS achieve the highest explanatory power (R² ≈ 0.825). Originality/Value: The study contributes to the corporate finance and machine learning literature by demonstrating that regularized regression techniques outperform traditional econometric approaches for identifying the most relevant determinants of liquidity in an emerging-market environment. The findings offer practical implications for investors, financial analysts, and corporate managers seeking to evaluate firms’ short-term financial strength.

🔖

Bu Makaleye Atıf Yap

Aminy, S. Z., Savsar, C. (2026). LASSO ve Finansal Oranlar Kullanılarak Şirketlerin Likiditesinin Tahmin Edilmesi: Borsa İstanbul’dan Bulgular (2015–2025). Malatya Turgut Özal Üniversitesi İşletme ve Yönetim Bilimleri Dergisi, Cilt: 7 Sayı: 2, 211–241. https://ajindex.com/articles/1595779

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (34)

  1. Abdulrahman Alhassan, & Naka, A. (2020). Corporate future investments and stock liquidity: Evidence from emerging markets. International Review of Economics & Finance, 65, 38–69.
  2. Ahrens, A., Hansen, C. B., & Schaer, M. E. (2018). pdslasso: Stata module for post-selection and post-regularization OLS or IV estimation and inference (Statistical Software Components No. S458459). Department of Economics, Boston College. https://ideas.repec.org/c/boc/bocode/s458459.html
  3. Akben-Selcuk, E., & Altiok-Yilmaz, A. (2017). Determinants of corporate cash holdings: Firm-level evidence from emerging markets. In Global Business Strategies in Crisis: Strategic Thinking and Development (pp. 417–824).
  4. Al-Najjar, B. (2013). The financial determinants of corporate cash holdings: Evidence from some emerging markets. International Business Review, 22(1), 77–88.
  5. Aoun, D., & Hwang, J. (2008). The effect of cash flow and size on the investment decisions of ICT firms: A dynamic approach. Information Economics and Policy, 20(3), 120–143.
  6. Arlot, S., & Celisse, A. (2010). A survey of cross-validation procedures for model selection. Statistics Surveys, 4, 40–79. https://doi.org/10.1214/09-SS054
  7. Autukaite, R., & Molay, E. (2010). Cash holdings, working capital, and firm value: Evidence from France. International Conference of the French Finance Association. http://ssrn.com
  8. Behramian, R., Rahnama-Roudposhti, F., & Ma'danchi, M. (2019). The role of the asset-liability management model in understanding the relationship between risk and return with liquidity. Quarterly Journal of Financial Engineering and Securities Management, 10(40), 29–56.
  9. Belloni, A., Chen, D., Chernozhukov, V., & Hansen, C. (2012). Sparse models and methods for optimal instruments with an application to eminent domain. Econometrica, 80(6), 2369–2429. https://doi.org/10.3982/ECTA9626
  10. Belloni, A., Chernozhukov, V., & Hansen, C. (2014). Inference on treatment effects after selection among high-dimensional controls. Review of Economic Studies, 81(2), 608–650. https://doi.org/10.1093/restud/rdt044
  11. Belloni, A., Chernozhukov, V., & Wang, L. (2011). Square-root lasso: Pivotal recovery of sparse signals via conic programming. Biometrika, 98(4), 791–806. https://doi.org/10.1093/biomet/asr043
  12. Bergmeir, C., Hyndman, R. J., & Koo, B. (2018). A note on the validity of cross-validation for evaluating autoregressive time series prediction. Computational Statistics & Data Analysis, 120, 70–83. https://doi.org/10.1016/j.csda.2017.11.003
  13. Díaz, A., & Escribano, A. (2020). Measuring the multi-faceted dimension of liquidity in financial markets: A literature review. Research in International Business and Finance, 51, 101079. https://doi.org/10.1016/j.ribaf.2019.101079
  14. Geisser, S. (1975). The predictive sample reuse method with applications. Journal of the American Statistical Association, 70(350), 320–328. https://doi.org/10.2307/2285815
  15. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
  16. Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67.
  17. Hyndman, R. J., & Athanasopoulos, G. (2012). Forecasting: Principles and practice. OTexts. https://www.otexts.org/fpp
  18. Jabarzadeh-Kongerlouei, S. D., Monfared, M., & Motavasel, M. (2014). The impact of operating cash flows on financial leverage adjustments in companies listed on the Tehran Stock Exchange. Financial Management Strategy, 2(4), 73–95.
  19. Kimmel, P. D., Weygandt, J. J., & Kieso, D. E. (2004). Financial accounting: Tools for business decision making (3rd ed.). John Wiley & Sons.
  20. Martínez-Sola, C., García-Teruel, P. J., & Martínez-Solano, P. (2013). Trade credit policy and firm value. Accounting & Finance, 53(3), 791–808.
  21. Meshki, M., & Emamdoust, Z. (2013). Examining the relationship between stock returns and held cash considering investment opportunities in companies listed on the Tehran Stock Exchange. Proceedings of the 2nd National Conference on Accounting, Financial Management, and Investment, Gorgan.
  22. Mikkelson, W. H., & Partch, M. M. (2003). Do persistent large cash reserves hinder performance? Journal of Financial and Quantitative Analysis, 38(2), 275–294.
  23. Molkian, E., & Soleimani, R. (2015). The relationship between capital structure and dividend policy with cash holdings in companies listed on the Tehran Stock Exchange. Empirical Accounting Research, 5(4), 55–72.
  24. Mosalla, M., & Moghadam, F. (2020). The effect of financial leverage on risk and stock returns of companies listed on the Tehran Stock Exchange. New Research Approaches in Management and Accounting, 29(3), 32–42.
  25. Oler, Derek and Picconi, Marc, Implications of Insufficient and Excess Cash for Future Performance (May 26, 2009). https://ssrn.com/abstract=1092880 or http://dx.doi.org/10.2139/ssrn.1092880
  26. Rasmussen, H., & Thormann, A. (2019). The discounted cash flow terminal value model is an investment strategy. SSRN. https://ssrn.com/abstract=3396505
  27. Sajjadi, H., Hajizadeh, S., & Nikookar, J. (2013). The effect of agency costs and quality of financial reporting on investment risk in listed companies. Accounting and Auditing Review, 19(13), 21–42.
  28. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267–288.
  29. Tibshirani, R. J., & Taylor, J. (2012). Degrees of freedom in lasso problems. Annals of Statistics, 40(2), 1198–1232. https://doi.org/10.1214/12-AOS1003
  30. Tikhonov, A. N. (1963). On the solution of incorrectly stated problems and the method of regularization. Soviet Mathematics Doklady, 4, 1035–1038.
  31. Zhao, P., & Yu, B. (2006). On model selection consistency of LASSO. Journal of Machine Learning Research, 7, 2541–2563.
  32. Zolghi, H., & Firouzabadtapeh, F. (2017). The effect of accounting estimates on financial performance and liquidity forecasting of listed companies on the Tehran Stock Exchange. Modern Research in Accounting and Auditing, 1(4), 155–175.
  33. Zou, H. (2006). The adaptive lasso and its oracle properties. Journal of the American Statistical Association, 101(476), 1418–1429. https://doi.org/10.1198/016214506000000735
  34. Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301–320. https://doi.org/10.1111/j.1467-9868.2005.00503.x