Comparison of Random Forest and XGBOOST implementation's success to predict bank profitability: Evidence from Turkish deposit banks
Rassal Orman ve XGBOOST algoritmalarının banka kârlılığını tahmin etme başarısının karşılaştırılması: Türk mevduat bankalarından kanıt
- Tez No: 775765
- Danışmanlar: DOÇ. DR. ÖMER FARUK RENÇBER
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Sınıflandırma, Banka Kârlılığı, Rassal Orman, XGBOOST, Classification, Bank Profitability, Random Forest, XGBOOST
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Makine öğrenimi teknikleri regresyon, sınıflandırma, kümeleme veya birliktelik kural çıkarımları olarak kullanılmaktadır. Dolayısıyla makine öğrenmenin en önemli uygulama alanlarından bir tanesi sınıflandırma olduğu ifade edilebilir. Bu çalışmada bankaların karlılığını etkileyen faktörlerin incelenmesi amaçlanmıştır. Bunun için 2010 ile 2020 yılları arası Türkiye'de faaliyet gösteren 27 banka, çalışmanın kapsamını oluşturmaktadır. Çalışmada hedef değişkenler aktif kârlılığı (ROA) ve özkaynak kârlılığı (ROE) kullanılmıştır. Girdi değişkenler ise; sermaye yeterliliği, varlık kalitesi, likidite, yönetim verimliliği ve banka büyüklüğüdür. Bu çalışmada bankaların karlılıklarını etkileyen faktörlerin ile birlikte Rassal Orman, XGBOOST algoritmaları ve Çoklu Doğrusal Regresyon ile incelenmesi amaçlanmıştır. Yöntemler her bir hedef değişkeni için hata ve açıklama düzeylerine göre karşılaştırılmıştır. Daha sonra“target shuffling”tekniği ile hedef değişkenin üzerinde etkili olan faktörler incelenmiştir. Sonuç olarak, ROA için yönetim verimliliği, banka büyüklüğü ve sermaye yapısının; ROE için yönetim verimliliği, banka büyüklüğü oranlarının en etkili olduğu bulgularına ulaşılmıştır. Jel Kodu: C38 – G00
Özet (Çeviri)
Machine learning techniques are used as regression, classification, clustering or association rule inference. Therefore, one of the most important application areas of machine learning is classification. In this study, it is aimed to examine the factors affecting the profitability of banks. For this, 27 banks operating in Türkiye between the years 2010 and 2020 constitute the scope of the study. In the study, target variables return on assets (ROA) and return on equity (ROE) were used. Input variables are capital adequacy, asset quality, liquidity, management efficiency, and bank size. This study is aimed to examine the factors affecting the profitability of banks with Random Forest and XGBOOST algorithms along with Multi Linear Regression. Methods were compared according to error and explanation levels for each target variable. Then, the factors affecting the target variable were examined with the“target shuffling”technique. As a result, it has been found that management efficiency (activity), bank size, and capital structure are the most significant for ROA; while management efficiency and size are the most effective for ROE. JEL Classification Numbers: C38–G00
Benzer Tezler
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- Ağaç temelli makine öğrenmesi yöntemlerinin karşılaştırılması ve hastalık tanısı için uygulanması
Comparison of tree-based machine learning methods and its application to diagnosis
YUNUS EMRE CEYLAN
Yüksek Lisans
Türkçe
2021
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. ERALP DOĞU
- Anne sağlığı riski için makine öğrenmesi modellerinin performans karşılaştırması
Performance comparison of machine learning models for maternal health risk
ŞEYMA KARACA
Yüksek Lisans
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıÜsküdar ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKALP TULUM
- The forecast performances of the classical time series model and machine learning algorithms on bist-50 price index using exogenous variables
Klasik zaman serisi modelinin ve makine öğrenme algoritmalarının bıst-50 fiyat endeksi üzerinde dışsal değişkenler kullanarak öngörü performansları
FATMA PARLAK
Yüksek Lisans
İngilizce
2023
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. CEYLAN YOZGATLIGİL
- Comparison of machine learning methods in predicting female labor force participation rates
Kadınların işgücüne katılım oranlarının tahmininde makine öğrenmesi metotlarının karşılaştırılması
EKİN DAĞLI
Yüksek Lisans
İngilizce
2024
EkonomiTED ÜniversitesiUygulamalı Veri Bilimi Ana Bilim Dalı
PROF. DR. SEYİT MÜMİN CILASUN