The role of board characteristics in capital structure decisions: Econometric and machine learning evidence from Turkish listed firms
Yönetim kurulu özelliklerinin sermaye yapısı kararlarındaki rolü: Türkiye'deki halka açık firmalar için ekonometri ve makine öğrenmesi bulguları
- Tez No: 705418
- Danışmanlar: PROF. DR. HÜSEYİN TAŞTAN
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Ekonomi, Econometrics, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat (İngilizce) Ana Bilim Dalı
- Bilim Dalı: İktisat Bilim Dalı
- Sayfa Sayısı: 108
Özet
Bu tezde, Türkiye'deki halka açık finans dışı sektörde yer alan firmaların sermaye yapılarına ilişkin dört soruya cevap aranmıştır: 1) Sermaye yapısı literatüründe öne çıkan ödünleşme ve finansman hiyerarşisi teorilerinden hangisi bu firmaların sermaye yapısı kararlarını açıklamakta başarılıdır? 2) Yönetim kurulu bağımsızlığı, yönetim kurulu büyüklüğü ve kurul içerisindeki kadın üyelerin oranı gibi kurumsal yönetişim kalitesi göstergeleri sermaye yapısı kararlarında belirleyici bir rol oynuyor mudur? 3) Sermaye yapısı kararları, ağaç bazlı makine öğrenmesi yöntemleri kullanılarak doğrusal modellerden daha başarılı bir şekilde öngörülebilir mi – eğer öyle ise en başarılı yöntem hangisidir? 4) Sermaye yapısını makine öğrenmesi yöntemleriyle öngörürken yönetim kurulu özelliklerini de dikkate almak öngörü performansını nasıl etkiler? 257 firmanın 2009-2019 yıllarını kapsayan bilanço ve gelir tabloları kullanılarak yapılan ekonometrik tahmin sonuçları, ödünleşme ve finansman hiyerarşisi teorilerinin hiçbirinin sermaye yapısı kararlarını tek başlarına tamamen açıklayamadığını göstermektedir. Teorik olarak sermaye yapısını etkileyeceği öngörülen firma karakteristiklerinden kârlılık, firma büyüklüğü ve likiditenin kaldıraç oranları üzerinde istatistiksel olarak anlamlı bir etkisi olduğu bulunmuştur. Ayrıca, bazı tahmin sonuçları yönetim kurulu büyüklüğü ve kaldıraç oranları arasında pozitif ve anlamlı bir ilişki olduğunu göstermektedir. Diğer yönetim kurulu karakteristikleri ve kaldıraç oranları arasında güçlü bir anlamlı ilişki bulunamamıştır. Sermaye yapısı makine öğrenmesi yöntemleriyle öngörüldüğünde, ağaç bazlı makine öğrenmesi yöntemlerinden rassal ormanlar ve boosting algoritmalarının doğrusal modellerden genel olarak daha başarılı öngörü performansı sergilediği bulgusuna erişilmiştir. Son olarak, yönetim kurulu özelliklerinin dikkate alınmasının öngörü performansını iyileştirmediği tespit edilmiştir.
Özet (Çeviri)
In this thesis, we try to answer the following questions regarding the capital structure decisions of Turkish non-financial firms: 1) which one of the most prominent capital structure theories, the trade-off theory and the pecking order theory, is successful at explaining the capital structure decisions of these firms? 2) Do the characteristics of the board of directors such as the share of independent members, share of women directors and board size play an important role in their capital structure decisions? 3) Can tree-based machine learning methods predict the capital structure decisions of these firms more accurately than linear models? If yes, which method has the best predictive performance? 4) When implementing machine learning, does accounting for board characteristics improve predictive performance? We use data on 257 public non-financial firms that are quoted in the Istanbul Stock Exchange, and the data covers the period 2009-2019. Results from fixed-effects and system GMM estimations suggest that neither the trade-off theory nor the pecking order theory by itself is successful in explaining the capital structure decisions of the firms in our sample. We find that firm characteristics such as profitability, firm size, and liquidity have a statistically significant impact on leverage ratios. Moreover, in some cases, we find evidence suggesting a positive relationship between board size and leverage ratios. We fail to find any evidence for a statistically significant relationship between other board characteristics and leverage ratios. When we predict leverage ratios using machine learning methods, we find that tree-based methods generally outperform linear models. In addition, we find that taking board variables into account does not improve predictive performance. Finally, we find that the best machine learning algorithms in terms of predictive performance are random forests and boosting.
Benzer Tezler
- Türk ticari bankalarının örgüt yapıları ve Avrupa Birliğine geçiş süreci içerisindeki uyum çalışmaları
Başlık çevirisi yok
SERKANT GÖNCÜ
Yüksek Lisans
Türkçe
1998
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL HAKKI BİÇER
- Ticari banka yönetimi ve Türk ticari bankalarının temel yönetim sorunları
The management of the commercial bank and the basic problems of the Turkish comercial bank
AYŞE ÇİĞDEM ÖNAL
- Değişim yönetiminin incelenmesi ve kuramsal bir modelin geliştirilmesi
The study of management of change and the development of an institutional model
ADNAN ERKMENOL
