Makine öğrenimi algoritmalarının şirket değerleme tahmininde performans analizi
Performance analysis of machine learning algorithms in company valuation prediction
- Tez No: 1001122
- Danışmanlar: DOÇ. DR. ÜLVİYE HACIZADE
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Haliç Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şirket değerlemesi, sermaye tahsisi, kredi riski fiyatlaması ve stratejik karar süreçlerinde kritik bir öneme sahiptir. Ancak indirgenmiş nakit akımı (DCF), fiyat/kazanç (P/E) ve fiyat/defter değeri (P/B) gibi geleneksel yöntemler, doğrusal varsayımlar ve parametre duyarlılığı nedeniyle özellikle dalgalı piyasalarda sınırlı bir tahmin gücü sunmaktadır. Bu çalışma, söz konusu kısıtları aşmak amacıyla Türkiye sermaye piyasalarında makine öğrenimi (ML) tabanlı modellerin şirket piyasa değeri (PD) tahmin performansını analiz etmektedir. Araştırmanın örneklemi, bankacılık ve finans sektörü dışında kalan ve 2019 öncesi dönem için veri erişimi bulunan BIST-30 endeksindeki 25 şirketin 2009–2018 yıllarına ait çeyreklik verilerinden oluşmaktadır. Çalışmada piyasa değeri (PD) bağımlı değişken olarak belirlenmiş; bağımsız değişkenler ise finansal oranlar, piyasa çarpanları ve seçilmiş makroekonomik göstergelerden türetilmiştir. Veri ön işleme aşamasında ölçekleme, winsorizasyon ve eksik değer tamamlama işlemleri yalnızca eğitim verisine uygulanarak olası veri sızıntısı (data leakage) önlenmiştir. Çalışmada doğrusal regresyon (Ridge), karar ağacı, Random Forest, XGBoost ve çok katmanlı algılayıcı (MLP) gibi modeller klasik değerleme yöntemleriyle karşılaştırılmıştır. Sonuçlar, Random Forest modelinin en yüksek tahmin doğruluğunu sağladığını göstermektedir (R² ≈ 0.94; MAE ≈ 1.1 milyar TL). Özellik önem analizleri, kârlılık oranları, varlık büyüklüğü ve piyasa çarpanlarının piyasa değeri üzerinde belirleyici rol oynadığını ortaya koymuştur. Elde edilen bulgular, makine öğrenimi modellerinin geleneksel yaklaşımlara göre daha yüksek doğruluk ve genellenebilirlik sunduğunu, ancak klasik yöntemlerin de kavramsal temellendirme ve yatırımcı iletişimi açısından tamamlayıcı bir işlev gördüğünü göstermektedir. Sonuç olarak çalışma, finansal analiz ve karar destek sistemlerinde hibrit bir değerleme yaklaşımının uygulanabilirliğine dair güçlü kanıtlar sunmaktadır.
Özet (Çeviri)
Firm valuation plays a critical role in capital allocation, credit risk pricing, and strategic decision-making processes. However, traditional methods such as Discounted Cash Flow (DCF), Price-to-Earnings (P/E), and Price-to-Book (P/B) ratios offer limited predictive power in volatile markets due to their linear assumptions and parameter sensitivity. This study aims to overcome these limitations by analyzing the performance of machine learning (ML)-based models in predicting firms' market value (MV) within the Turkish capital markets. The research sample consists of quarterly data from 25 non-financial firms listed in the BIST-30 index that have available data prior to 2019, covering the period between 2009 and 2018. In the study, market value (MV) is defined as the dependent variable, while independent variables are derived from financial ratios, market multiples, and selected macroeconomic indicators. During the data preprocessing stage, scaling, winsorization, and missing value imputation were applied exclusively to the training dataset to prevent potential data leakage. The study compares traditional valuation methods with machine learning models such as Ridge Regression, Decision Tree, Random Forest, XGBoost, and Multilayer Perceptron (MLP). The results indicate that the Random Forest model achieved the highest predictive accuracy (R² ≈ 0.94; MAE ≈ 1.1 billion TRY). Feature importance analysis revealed that profitability ratios, firm size, and market multiples play a decisive role in determining market value. The findings demonstrate that machine learning models provide higher accuracy and generalizability compared to traditional approaches, while classical methods still serve as complementary tools for conceptual grounding and investor communication. In conclusion, the study provides strong evidence supporting the applicability of a hybrid valuation framework in financial analysis and decision-support systems.
Benzer Tezler
- Makine öğrenimi tekniklerini kullanarak inşaatta risk tabanlı maliyet tahmini
Risk-based cost estimation in construction by employing machine learning techniques
AYNUR HÜRRİYET TÜRKYILMAZ
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. GÜL POLAT TATAR
- Anomaly detection via machine learning
Makine öğrenmesi ile anormallik tespiti
GÖRKEM ERDEM
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FEZA KERESTECİOĞLU
DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Finansal başarısızlıkta makine öğrenmesi: Gıda sektöründe yer alan halka açık firmalarda bir uygulama
Machine learning in financial failure: An application in publicly traded companies in the food industry
SABRİYE ARICI
Yüksek Lisans
Türkçe
2025
İşletmeDokuz Eylül Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLER ÖZÇALIK
- Making warehouse location decisions with machine learning methods: A case of a Turkish logistics company
Büyük veri makine öğrenme yöntemleri ile depo lokasyon kararlarının alınması: Bir Türk lojistik şirketi örneği
AYCAN SARIÇAM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DOÇ. DR. ATINÇ YILMAZ
- Makina öğrenmesi teknikleri ile hukuki alacak tahsilat kuruluşu dosya kapatılabilirlik tahmini ve atama modeli ile dosya ataması: Telekomünikasyon sektörü örneği
Predicting case closeability of legal debt collecti̇on agency with machine learni̇ng teqniques and assignment of cases with closibility based assignment model: A case study on telecomunication sector
NİLÜFER ALTINOK
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BAŞAR ÖZTAYŞİ