XGBoost ile finansal sıkıntının tahminlenmesi: BİST uygulaması
Predicting financial distress with XGBoost: BIST implementation
- Tez No: 833642
- Danışmanlar: PROF. DR. SALİH DURER
- Tez Türü: Doktora
- Konular: Maliye, İşletme, Finance, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Yönetimi Bilim Dalı
- Sayfa Sayısı: 140
Özet
Şirketlerin finansal sıkıntıya girip girmeyeceklerinin tahmin edilmesi, tüm paydaşlar için kritik bir konudur. Karar vericiler bu tahminleri kullanarak, önleyici tedbirler alabilirler veya yatırımcılar yatırım kararı verebilirler hatta yatırımlarını sonlandırabilirler. Son yıllarda tahmin çalışmalarında özellikle uluslararası literatürde makine öğrenmesi sıkça kullanılmaktadır. Bu çalışmada makine öğrenmesi algoritmalarından Extreme Gradient Boosting (XGBoost) kullanılmıştır ve ulusal literatürde bu anlamda öncüler arasındadır. Bu çalışmanın temel amaçlarından birisi sadece akademik çalışmalar için değil, hemen her sektörlerde kullanılabilecek, finansal sıkıntıyı tahmin edecek, hızlı ve güvenilir bir tahminleme modeli oluşturmaktır. Bu amaç doğrultusunda çalışmada, 2010-2020 yılları arasında Borsa İstanbul (BİST) Sınai Endeksi'ndeki firmaların verileri kullanılmıştır. Bağımsız değişken olarak hâkim literatürde sıkça karşılaşılan 25 finansal orana ek olarak 14 finansal oran eklenmiştir. Ayrıca Türkiye Ödemeler Dengesi istatistikleri, Türkiye 5 Yıllık CDS veriler, Tüketici Fiyat Endeksi (TÜFE) ve TÜFE Bazlı Döviz Kuru makro değişken olarak modele eklenmiştir. Firmaların finansal sıkıntıda olup olmadıklarını belirlemek için 3 finansal verilere dayalı, 8 adet ise finansal verilere dayanmayan kriter kullanılmıştır. Verilerin analize hazır hale getirilmesinden XGBoost algoritması çalıştırılmasına kadar olan tüm süreçler Python programlama dili kullanılarak yapılmıştır. Tüm bu aşamalar çalıştıktan sonra oluşturulan ilk modelin doğruluk oranı %91 olarak gerçekleşmiştir. Yani toplam 563 adet tahmin yapmış ve bunların %91'i doğru olarak sonuçlanmıştır. Elde edilen bulgular neticesinde; oluşturulan modelin, finansal sıkıntının tahmin edilmesinde hem ulusal hem de uluslararası literatüre özgün ve önemli bir katkı sağlayacağı ve daha sonraki çalışmalara da öncülük edeceği düşünülmektedir.
Özet (Çeviri)
Predicting whether companies will run into financial distress is a critical issue for all stakeholders. By using these forecasts, decision makers can take preventive measures or investors can make investment decisions or even terminate their investments. In recent years, machine learning has been used frequently in forecasting studies, especially in the international literature. In this study, Extreme Gradient Boosting (XGBoost), one of the machine learning algorithms, was used and it is among the pioneers in this sense in the national literature. One of the main purposes of this study is to create a fast and reliable forecasting model that can be used not only for academic studies, but also for almost every sector, to predict financial distress. For this purpose, the data of the companies in the Borsa Istanbul(BIST) Industrial Index between the years 2010-2020 were used in the study. In addition to 25 financial ratios frequently encountered in the dominant literature, 14 financial ratios have been added as independent variables. In addition, Turkey Balance of Payments statistics, Turkey 5-Year CDS data, Consumer Price Index (CPI) and CPI Based Exchange Rate are added to the model as macro variables. In order to determine whether the companies are in financial distress, 3 criteria based on financial data and 8 criteria not based on financial data were used. All processes from getting the data ready for analysis to running the XGBoost algorithm were made using the Python programming language. The accuracy rate of the first model created after all these stages were worked out was 91%. In other words, he made a total of 563 predictions, and 91% of them were correct. As a result of the findings obtained; It is thought that the model created will provide an original and important contribution to both national and international literature on the estimation of financial distress and will lead to further studies.
Benzer Tezler
- Investigation of financial applications with blockchain technology
Blockchaın teknolojsı ıle fınansal uygulamaların incelenmesi
MOHAMMED ALI MOHAMMED MOHAMMED
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FUAT TÜRK
- Sosyal medyanın finansal piyasalara etkisi ve hisse senedi fiyat öngörülerinde kullanılması: Borsa İstanbul örneği
The impact of social media on financial markets and using stock price prediction: Case of Borsa İstanbul
YUNUS EMRE AKDOĞAN
- Büyük veri ve finansal piyasalarda istatistiki makine öğrenmesi metodlarının yatırım kararlarında kullanılması
Using big data and statistical machine learning methods in investment decisions in financial markets
FEHİM KURUCAN
- Income estimation model for individual customers
Bireysel müşteriler için gelir tahmin modeli
ÇAĞRI SARGAN
Yüksek Lisans
İngilizce
2021
Ekonometriİstanbul Bilgi Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. CENKTAN ÖZYILDIRIM
- Makine öğrenmesi yöntemleri ile çevrimiçi kredi kartı işlemlerinde Fraud analizi tahmini
Fraud analysis prediction in online credit card transactions using machine learning methods
YASİN DİKBIYIK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN