Dergiler / Uluslararası İktisadi ve İdari İncelemeler Dergisi / 2020 / Sayı: 28

FİNANSAL PİYASALARDA PAY SENEDİ MANİPÜLASYONUNUN VERİ MADENCİLİĞİ YÖNTEMLERİ İLE TAHMİNİ: BORSA İSTANBUL ÖRNEĞİ

FORECASTING STOCK PRICE MANIPULATION IN FINANCIAL MARKETS USING DATA MINING METHODS: THE CASE OF BORSA ISTANBUL

Sayfa
1–24
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)

Bu çalışmada tüm yöntemler %70’in üzerinde tahmin performansı gösterdiğinden, ilgililerin yapacakları pay senedi manipülasyon tahmini analizlerine bu modeller de dahil edilebilecektir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Borsa İstanbul İmalat Sanayi sektöründe faaliyet gösteren 51 manipüle edilmiş ve 51 manipüle edilmemiş toplam 102 işletmeye ait pay senedinin 3-9 ay öncesinden piyasa manipülasyonuna maruz kalıp kalmama durumu tahmin edilmiştir.
📊
Temel Bulgular & Veri:İlgili şirketlerin mali tablo ve nitel verileri elde edilerek sınıflandırma için Yapay Sinir Ağları (ANN), Sınıflandırma ve Regresyon Ağacı (CART), C5.0 Karar Kuralı Türetme Algoritması ve Lojistik Regresyon (LR) yöntemleri kullanılmıştır.
💡
Sonuç & Katkı:Bu çalışmada tüm yöntemler %70’in üzerinde tahmin performansı gösterdiğinden, ilgililerin yapacakları pay senedi manipülasyon tahmini analizlerine bu modeller de dahil edilebilecektir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada Borsa İstanbul İmalat Sanayi sektöründe faaliyet gösteren 51 manipüle edilmiş ve 51 manipüle edilmemiş toplam 102 işletmeye ait pay senedinin 3-9 ay öncesinden piyasa manipülasyonuna maruz kalıp kalmama durumu tahmin edilmiştir. İlgili şirketlerin mali tablo ve nitel verileri elde edilerek sınıflandırma için Yapay Sinir Ağları (ANN), Sınıflandırma ve Regresyon Ağacı (CART), C5.0 Karar Kuralı Türetme Algoritması ve Lojistik Regresyon (LR) yöntemleri kullanılmıştır. Genel sınıflandırma doğruluğu sırasıyla ANN (%86,67), CART (%80,00), C5.0 (%76,67) ve LR (%70,00) olarak bulunmuştur. C5.0 algoritması test örneğinde yer alan 15 manipüle edilen pay senetlerinin 14’ünü doğru tahmin ederek %93,33 sınıflandırma başarısı göstermiştir. ANN test örneğinde bulunan 15 manipüle edilmemiş pay senedinin 14’ünü doğru tahmin ederek %93,33 sınıflandırma başarısı göstermiştir. Bu çalışmada tüm yöntemler %70’in üzerinde tahmin performansı gösterdiğinden, ilgililerin yapacakları pay senedi manipülasyon tahmini analizlerine bu modeller de dahil edilebilecektir.

Abstract

In this study, 102 businesses, 51 manipulated and 51 non-manipulated, operating in the Borsa Istanbul Manufacturing Industry have been predicted 3-9 months before whether their stock price will be manipulated. Artificial Neural Networks (ANN), Classification and Regression Tree (CART), C5.0 decision tree algorithm and Logistic Regression (LR) methods were used for classification by obtaining financial statements and qualitative data of related businesses. Overall classification accuracy was found as ANN (86.67%), CART (80.00%), C5.0 (76.67%) and LR (70.00%), respectively. The C5.0 algorithm predicted 14 of the 15 manipulated stocks and achieved 93.33% classification accuracy. ANN predicted 14 of the 15 nonmanipulated stocks and achieved 93.33% classification accuracy. In this study, since all methods have over 70% predicton performance, related models can also be included in stock manipulation prediction analyzes.

🔖

Bu Makaleye Atıf Yap

AKSOY, B. (2020). FİNANSAL PİYASALARDA PAY SENEDİ MANİPÜLASYONUNUN VERİ MADENCİLİĞİ YÖNTEMLERİ İLE TAHMİNİ: BORSA İSTANBUL ÖRNEĞİ. Uluslararası İktisadi ve İdari İncelemeler Dergisi, Sayı: 28, 1–24. https://ajindex.com/articles/321954

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (20)

  1. Akpınar, H. (2014).
  2. Data Veri Madenciliği Veri Analizi, İstanbul:
  3. Papatya Yayınları.
  4. Comerton-Forde, C. ve Putnins, T. J. (2011). Measuring Closing Price Manipulation. J. Finan. Intermediation, (20), 135-158.
  5. Çalışkan, M.M. Tuncer. (2015). Borsa İstanbul’da Manipülasyon: 2001 – 2013 Yılları Arasında İşlem Yasaklıların Profili. Yönetim ve Ekonomi Araştırmaları Dergisi. 13 (1), 381-391.
  6. Çelik, U., Akçetin, E. ve Gök, M. (2017). Rapidminer ile Veri Madenciliği. İstanbul:
  7. Pusula Yayınları.
  8. Çokluk, Ö., Şekercioğlu G. ve Büyüköztürk Ş. (2016). Sosyal Bilimler İçin Çok Değişkenli İstatistik SPSS ve LISREL Uygulamaları, Ankara:
  9. Pegem Akademi Yayını. Dener, M., Dörterler, M. ve Orman, A. (2009). Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama. Conference: XI. Akademik Bilişim Konferansı (s. 1-11). Şanlıurfa: Conference: XI. Akademik Bilişim Konferansı. Diaz, D., Theodoulidis, B. ve Sampaio, P. (2011). Analysis of Stock Market Manipulations using Knowledge Discovery Techniques Applied to Intraday Trade Prices. Expert Systems with Applications, (38), 12757–12771.
  10. Dhanalakshmi, S. ve Subramanian, C. (2014). An Analysis of Data Mining Applications for Fraud Detection in Securities Market. International Journal of Data Mining Techniques and Applications, (3), 326-335.
  11. Gemici, E., Cihangir, M. ve Yakut, E. (2017). İşlem Bazlı Manipülasyon: Türkiye Örneği. Ege Akademik Bakış, 17 (3), 369-380.
  12. Golmohammadi, K., ve Zaiane, O. R. (2012). Data Mining Applications for Fraud Detection in Securities Market. Conference: Intelligence and Security Informatics Conference (EISIC), 2012 European, (s. 1-8).
  13. Edmonton, Canada: https://www.researchgate.net/publication.
  14. Gündoğdu, A. (2017). Türk Sermaye Piyasasında Bilgi Suistimali ve Piyasa Dolandırıcılığı Suçu Düzenlemelerinin İrdelenmesi. Maliye Finans Yazıları, (108), 9-26.
  15. İmişiker, S. ve Taş, B. K. (2013). Which Firms are More Prone to Stock Market Manipulation? Emerging Markets Review, (16), 119-130.
  16. Jardin, P.D. (2016). A Two-Stage Classification Technique for Bankruptcy Prediction, European Journal of Operational Research, (254), 236-252.
  17. Kesici, E. ve Nacakcı, M. B. (2014). Piyasa Bozucu Eylemler. Capital Markets Journal, (15), 1-12.
  18. Kılıç, S. (2015).
  19. Kappa Testi, Journal of Mood Disorders, 5 (3), 142-144.
  20. Koyuncugil, A. S. (2007). Veri Madenciliği ve Sermaye Piyasalarına Uygulanması. Ankara: Sermaye Piyasası Kurulu Araştırma Dairesi Araştırma Raporu Li, H., Sun, J. ve Wu, J. (2010). Predicting Business