Nakit akış tablolarında finansal riskin öngörülmesi için makine öğrenmesi algoritmalarının karşılaştırılması
Comparision of machine learning algorithms for predicting financial risk in cash flow statements
- Tez No: 884963
- Danışmanlar: DR. ÖĞR. ÜYESİ DAMLA İLTER FAKHOURI
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 106
Özet
Günümüzde finansal kararlar almak, kredi başvurularını değerlendirmek oldukça karmaşık ve hassas bir süreçtir. Kurumların finansal risk durumunu gösteren nakit akış verileri, kredi başvurularının değerlendirilmesinde çok önemli bir rol oynamaktadır. Kurum yöneticilerine daha detaylı stratejik kararlar alma ve finansal riskleri yönetme konusunda rehberlik eden çeyreklik finansal veriler, kurumların performanslarına ilişkin sonraki dönemleri tahminlemede ve alınacak önlemlerin belirlenmesine yardımcı olmaktadır. Çalışmada kullanılan 282 şirketin 2018-2022 yılları arasındaki çeyreklik dönem verilerinin uygunluğu dikkate alınarak etkin modeller oluşturulması ve bu algoritmaların bilgi kriterleri ile değerlendirilmesi alanında özgün bir yaklaşım sağlanması hedeflenmiştir. Verideki bağımlı değişkenin dengesiz dağılımı nedeniyle, makine öğrenimi algoritmaları ile birlikte örnekleme tekniklerinin kullanıldığı detaylı bir analiz, kredi sınıflandırma sürecinde işletmelerin çeyreklik dönemlerdeki performanslarını karşılaştırmak için oluşturulan farklı modelleri değerlendirildiği ve nakit akışı verilerinin süreçteki rolü vurgulanmak istenmiştir. Çalışmada, Rastgele Orman Sınıflandırıcısı (RF), Gradyan Artırma Sınıflandırıcısı (GBC), Aşırı Gradyan Artırma Sınıflandırıcısı (XgBOOST), Hafif Gradyan Artırma Sınıflandırıcısı (LGBM), Karar Ağacı Sınıflandırıcısı (DT), Ekstra Ağaçlar Sınıflandırıcısı (ETC) ve Naive Bayes (NB) algoritmaları kullanılarak modeller oluşturulmuştur. İlk aşamada kurulan çeyrek dönemler için 20 farklı modelin performansları doğruluk ve F1 skoru ile değerlendirildiğinde algoritrma performansları yüksek ve birbirine yakın bulunmuştur. Sonrasında, tüm çeyrek dönemler için oluşturulan tek bir model F1 değerinin ilk aşama modellerinin F1 ortalamasından daha düşük olduğundan en iyi model olarak seçilmiştir. Seçilen modelde, veri dengelemek amaçlı GBC algoritması ve aşırı örnekleme tekniği uygulanmıştır. Eğitim, test ve validasyon verisinde doğruluk, duyarlılık ve kesinlik değerleri kontrol edilerek yüksek bir performans sergilendiği görülmüştür. Önceki yıllarda kullanılan veri yapılarından farklı bir veri yapısı kullanılarak yapılan bu kapsamlı analiz, finansal verilerde önemli yeri olan nakit akış tablolarında çeşitli makine öğrenmesi yöntemleri ile risklerin öngörülmesi amaçlanarak elde edilen sonuçlar değerlendirilmiştir.
Özet (Çeviri)
Nowadays, making financial decisions and evaluating loan applications is a very complex and sensitive process. Cash flow data showing the financial risk status of institutions play a very important role in the evaluation of loan applications. Quarterly financial data, which guides corporate managers in making more detailed strategic decisions and managing financial risks, helps to predict the performance of organisations in the following periods and to determine the measures to be taken. Taking into account the suitability of the quarterly data of 282 companies used in the study between 2018 and 2022, it is aimed to create effective models and to provide an original approach in the field of evaluating these algorithms with information criteria. Due to the unbalanced distribution of the dependent variable in the data, a detailed analysis using sampling techniques together with machine learning algorithms, evaluating different models created to compare the performance of enterprises in quarterly periods in the credit classification process and the role of cash flow data in the process. In this study, Random Forest Classifier (RF), Gradient Boost Classifier (GBC), Extreme Gradient Boost Classifier (XgBOOST), Slight Gradient Boost Classifier (LGBM), Decision Tree Classifier (DT), Extra Trees Classifier (ETC) and Naive Bayes (NB) algorithms were used. In the first stage, the performances of 20 different models for each quarter were evaluated with accuracy and F1 score and the algorithm performances were found to be high and close to each other. Afterwards, a single model created for all quarters was selected as the best model since its F1 value was lower than the average F1 of the first stage models. In the selected model, GBC algorithm and oversampling technique were applied for data balancing. Accuracy, sensitivity and precision values were checked in training, test and validation data and it was seen that a high performance was displayed. This comprehensive analysis, using a data structure different from the data structures used in previous years, aims to predict risks in cash flow statements, which have an important place in financial data, with various machine learning methods and the results obtained are evaluated.
Benzer Tezler
- Nakit akışları ile hisse senedi getirileri arasındaki ilişkinin incelenmesi: BİST 30 örneği
Examining the relationship between cash flows and stock returns: The case of BIST 30
AGHAJAN MAMMADLİ
- Finansal riskten korunma muhasebesi ve özkaynaklara etkisi
Hedge accounting and its impact on equity
NESLİHAN ÖZDEMİR
Doktora
Türkçe
2016
BankacılıkOkan ÜniversitesiBankacılık ve Finans Ana Bilim Dalı
YRD. DOÇ. DR. BÜLENT GÜNCELER
- Havayolu yolcu taşımacılığı şirketlerinin finansal analizi: Uluslararası bir karşılaştırma
Financial analysis of passenger airline transport companies: An international comparison
CANSU AYDIN
Yüksek Lisans
Türkçe
2022
Sivil HavacılıkMersin ÜniversitesiTurizm İşletmeciliği Ana Bilim Dalı
PROF. DR. ERDİNÇ KARADENİZ
- Endeks vadeli işlem sözleşmeleri: Muhasebe sorunları, çözüm önerileri ve Türkiye uygulaması
Index futures contracts: Accounting problems suggestions and implementations in Turkey
FAHREDDİN OKUDAN
- Gayrimenkul geliştirmede karma kullanım, en etkin ve verimli kullanım analizi: Sarıyer – Seyrantepe örneği
Mixed use in real estate development, highest and best use analysis: Case study on Sarıyer - Seyrantepe
DENİZ ÇULLU
Yüksek Lisans
Türkçe
2014
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiGayrimenkul Geliştirme Ana Bilim Dalı
DOÇ. DR. FUNDA YİRMİBEŞOĞLU