KaydedilenlerDerginizi ekleyin

Dergiler / Hitit Sosyal Bilimler Dergisi / 2021 / Cilt: 14 - Sayı: 1

FİNANSAL BAŞARISIZLIK TAHMİNİNDE MAKİNE ÖĞRENMESİ YÖNTEMLERİNİN SINIFLANDIRMA PERFORMANSININ KARŞILAŞTIRILMASI: BORSA İSTANBUL ÖRNEĞİ

COMPARISON OF CLASSIFICATION PERFORMANCE OF MACHINE LEARNING METHODS IN PREDICTION FINANCIAL FAILURE: EVIDENCE FROM BORSA İSTANBUL

Barış AKSOY
Derviş BOZTOSUN
Sayfa
56–86
Yayın Tarihi
2021-06-30
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)

Çalışmada elde edilen dört modelin finansal başarı/başarısızlığı bir ve iki yıl öncesinden yüksek oranda tahmin etmesi, ilgililerin kullandıkları modeller içerisine bu çalışmada elde edilen modelleri dâhil edebileceklerini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Borsa İstanbul İmalat Sanayi Sektörüne kayıtlı 86 firmanın, 2010-2012 dönemine ait verileri kullanılarak 1 ve 2 yıl öncesinden finansal başarısızlık tahmini yapılmıştır.
📊
Temel Bulgular & Veri:Araştırmada 8 mali tablolara dayalı nicel ve 6 mali tablolara dayalı olmayan değişken kullanılmıştır.
💡
Sonuç & Katkı:Çalışmada elde edilen dört modelin finansal başarı/başarısızlığı bir ve iki yıl öncesinden yüksek oranda tahmin etmesi, ilgililerin kullandıkları modeller içerisine bu çalışmada elde edilen modelleri dâhil edebileceklerini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010-2012 Verileri
⚙️Değişkenler:Finansal Başarısızlık Tahmini · Borsa Istanbul · Yapay Sinir Ağları

Özet

Bu çalışmada Borsa İstanbul İmalat Sanayi Sektörüne kayıtlı 86 firmanın, 2010-2012 dönemine ait verileri kullanılarak 1 ve 2 yıl öncesinden finansal başarısızlık tahmini yapılmıştır. Araştırmada 8 mali tablolara dayalı nicel ve 6 mali tablolara dayalı olmayan değişken kullanılmıştır. Çalışma amacına yönelik analizlerde Yapay Sinir Ağları (ANN), Sınıflandırma ve Regresyon Ağaçları (CART), Destek Vektör Makineleri (SVM) ve K-En Yakın Komşular Algoritması (KNN) yöntemlerinin tahmin performansları yöntemlerin ayırt edici özellikleri altında karşılaştırılmıştır. ROC Eğrisi yöntemlerin sınıflandırma performanslarını karşılaştırmak için kullanılmıştır. Analiz sonucunda, finansal başarısızlıktan iki yıl önce en yüksekten düşüğe genel sınıflandırma doğruluğu SVM (% 92,31), CART (%88,46), ANN (% 84,62), KNN (%80,77) olarak bulunmuştur. Finansal başarısızlıktan bir yıl önce en yüksekten en düşüğe genel sınıflandırma doğruluğu CART (% 96,15), ANN (%92,31), SVM (% 80,77) ve KNN (%84,62) olarak elde edilmiştir. CART karar ağacının oluşturulmasında önemli değişkenler olarak Özsermaye kârlılığı (ROE) ve Aktif Kârlılık Oranı (ROA) bulunmuştur. Çalışmada elde edilen dört modelin finansal başarı/başarısızlığı bir ve iki yıl öncesinden yüksek oranda tahmin etmesi, ilgililerin kullandıkları modeller içerisine bu çalışmada elde edilen modelleri dâhil edebileceklerini göstermektedir.

Abstract

This study aimed to predict the 1 to 2 year future time of the financial failure of 86 manufacturing companies that are operating in Borsa İstanbul. The data comprised of 2010-2012 period, and it depends on 8 quantitative financial variables. Beside 6 variables come from non financial statements. In the study, Artificial Neural Network (NN), Classification and Regression Trees (CART), Support Vector Machine (SVM) and k-Nearest Neighbors (KNN) were used to compare classification performances of related methods. ROC Curve was used to compare the classification performance of the methods. As a result of the analyseis, the overall classification accuracy from the highest to the lowest was SVM (92,31%), CART (88,46%), ANN (84,62%) and KNN (80,77%) 2 years before the financial failure. The overall classification accuracy from the highest to the lowest was CART (96,15%), ANN (92,31%), SVM (80,77%) and KNN (84,62%) 1 year before the financial failure. Return on Equity (ROE) and Return on Assets Ratio (ROA) were found as important variables in the creation of the CART decision tree. The fact that the four models obtained in thise study predicted financial success/failure at a higher rate, and it shows that the models obtained in this study can be included in the models used by relevant people.

🔖

Bu Makaleye Atıf Yap

AKSOY, B., BOZTOSUN, D. (2021). FİNANSAL BAŞARISIZLIK TAHMİNİNDE MAKİNE ÖĞRENMESİ YÖNTEMLERİNİN SINIFLANDIRMA PERFORMANSININ KARŞILAŞTIRILMASI: BORSA İSTANBUL ÖRNEĞİ. Hitit Sosyal Bilimler Dergisi, Cilt: 14 - Sayı: 1, 56–86. https://ajindex.com/articles/216593

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. Akay, E. Ç. (2018), A New horizon in econometrics: big data and machine learning. Social Sciences Research Journal, 7(2), 41-53.
  2. Akkaya, G. C., Demireli, E. and Yakut, Ü. H. (2009). Using artificial neural networks in financial failure prediction: an application in Borsa Istanbul. Journal of Social Sciences, Eskişehir Osmangazi University, 10(2), 187-216.
  3. Akpınar, H. (2014). Data mining data analysis. İstanbul:
  4. Papatya Publications. Alfaro, E., Garcia, M. G. N. & Elizondo, D. (2008). Bankruptcy forecasting: an empirical comparison of adaboost and neural networks. Decision Support Systems, 45, 110-122. doi: 10.1016/j.dss.2007.12.002 Bilir, H. (2015). Definition and Market oriented solution of financial distress: debt structuring, asset sales and new capital injection. Sosyoekonomi,1, 9-24.
  5. Chandra, D. K., Ravi, V. & Bose, I. (2009). Failure prediction of DOTCOM companies using hybrid intelligent techniques. Expert Systems with Applications, 36, 4830-4837. doi: 10.1016/j.eswa.2008.05.047 Chen, Mu-Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, 38, 11261-11272. doi: 10.1016/j.eswa.2011.02.173 Chen, M.-Y. (2011). Bankruptcy prediction in firms with statistical and intelligent techniques and a comparison of evolutionary computation approaches. Computers and Mathematics with Applications, 62(12), 4514-4524. doi: 10.1016/j.camwa.2011.10.030 Chuang, C.-L. (2013). Application of hybrid case-based reasoning for enhanced performance in bankruptcy prediction. Information Sciences, 236, 174-185. doi: 10.1016/j.ins.2013.02.015 Çelik U., Akçetin, E. & Gök, M. (2017).
  6. Data mining with Rapidminer, İstanbul:
  7. Pusula Publications. Çöllü, D. A., Akgün, L. and Eyduran, E. (2020). Financial failure prediction with decision tree algorithms: textile, wearing apparel and leather sector application. International Journal of Economics and Innovation, 6(2), 225-246. doi: 10.20979/ueyd.698738 Dener, M., Dörterler, M. ve Orman, A. (2009). Conference: XI. Academic Informatics Conference, Open Source Data Mining Programs: Sample Application in Weka. (p. 1-11).
  8. Şanlıurfa Divsalar, M., Firouzabadi, A. K., Sadeghi, M.; Behrooz, A. H. & Alavi, A. H. (2011). Towards