Bağımsız denetimde makine öğrenmesi Yaklaşımı: Borsa İstanbul A.Ş. örneği
Machine learning approach in auditing: Borsa Istanbul A.Ş. case
- Tez No: 836278
- Danışmanlar: DOÇ. DR. BİLAL SOLAK
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kırgızistan-Türkiye Manas Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 283
Özet
İşletmenin sürekliliğinin tahmini tüm işletme paydaşları için temel destekleyici bilgi kaynaklarında birisi olarak kabul edilmektedir. Paydaşlar açısından işletmenin süreklilik kabiliyeti hakkında doğru ve güvenilir bilgi sağlayabilen sınıflandırma ve tahmin modellerine sahip olmak çok önemlidir. Mali raporlama sistemleri, işletmelerin mali durumlarını değerlendirmek için gerek duyulan bilgileri sağlamaktadır. İstatistiksel metotlar 1960' lı yıllardan günümüze işletmenin sürekliliğinin tahmininde yaygın olarak kullanılmıştır. Son yıllarda yapılan çalışmalarda teknolojik gelişmelerin de hız kazanması ile katı varsayımlara sahip istatistiksel metotlara ikame olarak işletmenin süreklilik kabiliyetinin sınanmasında makine öğrenmesi metotlarında faydalanılmaya başlanmıştır. Bu çalışmada işletmenin sürekliliğinin tahmininde makine öğrenmesi metotlarının etkinliğinin sınanması amaçlanmaktadır. Bu amaçla çalışmada literatürde yaygın olarak kullanılan lojistik regresyon, destek vektör makineleri (doğrusal, polinomsal ve radyal tabanlı kernel çekirdekleri), sınıflama ve regresyon ağaçları, rastgele orman algoritması, adaboost, gradient boosting ve XGBoost metotları kullanılarak dokuz farklı model eğitilmiştir. Çalışmada Borsa İstanbul A.Ş. pay piyasası imalat ve alt sektörlerinde işlem görmekte olan işletmelere ait mali raporlardan faydalanılmıştır. Veri seti 2017 ile 2021 yılları arası kapsamaktadır. İlgili yıllar arasında işletmelerin Kamuyu Aydınlatma Platformunda duyurulmuş olan denetim raporları incelenmiş ve süreklilik görüşü almış olan işletmeler tespit edilmiştir. İşletmeler, yürütülen inceleme sonucu elde etiketlenmiştir. Böylece nihai veri setinde 43 süreklilik görüşü almış ve 788 süreklilik görüşü almamış gözlem yılını yer almıştır. Dengesiz veri setinin oluşturabileceği sorunların üstesinden gelmek amacı ile SMOTE metodundan faydalanılmış ve modellerin tahmin başarısını arttırmak maksadı ile genetik algoritmalar ile öznitelik seçimi stratejisi belirlenmiştir. Öznitelik seçimi öncesinde veri setinde, kapsamlı bir literatür taraması ile belirlenen 75 adet mali orana yer verilmiştir. Çalışmada eğitilen modellere ait doğruluk hassasiyet, seçicilik, tip-I hata, tip-II hata, kesinlik ve AUC skorları hesaplanmış ve modeller hesaplanan metrikler kullanılarak değerlendirilmiştir. Çalışmanın ampirik sonuçları incelendiğinde eğitilen tüm modeller içerisinde rastgele orman modelinin %100 doğruluk ile en başarısı sonucu ortaya koymuştur. Dokuz modelin hesaplanan metrikleri incelendiğinde topluluk öğrenmesi modellerinin ve destek vektör makinesi modellerinin, sınıflama ve regresyon ağaçları ile lojistik regresyondan daha başarılı sonuçlar ortaya koyduğu görülmektedir. Çalışmanın ampirik sonuçları makine öğrenmesi modellerinin işletmenin sürekliliğinin tahminindeki etkinliği ortaya koymaktadır.
Özet (Çeviri)
Prediction of going concern is accepted as one of the main supportive information sources for all stakeholders. It is very important for stakeholders to have classification and forecasting models that can provide accurate and reliable information about the going concern capability of the business. Financial reporting systems provide the information needed to evaluate the financial situation of businesses. Statistical methods have been widely used in the prediction of going concern since the 1960s. In recent years, with the acceleration of technological developments, machine learning methods have started to be used in testing the going concern of the enterprise as a substitute for statistical methods that have strict assumptions. This study aims to test the effectiveness of machine learning methods in the prediction of the going concern ability of companies. For this purpose, nine different machine learning models were trained namely logistic regression, support vector machines (linear, polynomial, and radial-based kernels), classification and regression trees, random forest algorithm, AdaBoost, gradient boosting, and XGBoost methods which are widely used in the literature. In the study, financial reports of the companies listed in the manufacturing and sub-sectors of the Borsa İstanbul A.Ş. have been used. The dataset covers between 2017 to 2021. The audit reports announced on the Public Disclosure Platform of the companies between the relevant years were examined and the companies that received the going concern opinion were determined. Businesses have been labeled as a result of the investigation carried out. Thus, the final data set included 43 observation years that received going concern opinion and 788 did not receive going concern opinion. In order to overcome the unbalanced dataset problem, SMOTE method was used and a feature selection strategy was determined with genetic algorithms in order to increase the prediction accuracy of the models. Before the feature selection, 75 financial ratios determined by a comprehensive literature review were included in the data set. The accuracy, sensitivity, selectivity, type-I error, type-II error, precision, and AUC scores of the models trained in the study were calculated and the models were evaluated using those calculated metrics. When the empirical results of the study were examined, it was revealed that the random forest model was the most successful among all the trained models with 100% accuracy. When the calculated metrics of the nine models are examined, it is seen that ensemble learning models and support vector machine models show more successful results than classification regression trees, and logistic regression. The empirical results of the study reveal the effectiveness of machine learning models in predicting of going concern ability of companies.
Benzer Tezler
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty
Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi
GÖNÜL ULUDAĞ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
- Eğitim verileri analizinde regresyon ve sınıflandırma algoritmaları: Öğrenci performansının modellenmesi
Eğitim verileri analizinde regresyon ve sınıflandırma algoritmalari: öğrenci performansinin modellenmesi
ERDAL ÖZKUL
Yüksek Lisans
Türkçe
2024
Bilim ve Teknolojiİstanbul Kültür ÜniversitesiMatematik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR
- A support decision system for predicting rating values of preproduction TV content: An explainable machine learning approach
Yayınlanmamış TV içeriğinin reyting değerinin tahmin edilebilmesi için karar destek sistemi: Bir açıklanabilir makine öğrenimi yaklaşımı
BURAK BATIBAY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
PROF. DR. ATABEY KAYGUN
- Semi-supervised learning strategy for improved flash point prediction
Parlama noktası tahminini iyileştirmek için yarı denetimli öğrenme stratejisi
MERT SÜLÜK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ