FİNANSAL PİYASALARDA PAY SENEDİ MANİPÜLASYONU’NUN VERİ MADENCİLİĞİ YÖNTEMLERİ İLE TAHMİNİ: BORSA İSTANBUL ÖRNEĞİ

Year 2020, Issue: 28, 1 - 24, 21.06.2020

Barış Aksoy

https://doi.org/10.18092/ulikidince.582919

Cited By: 1

Abstract

Bu
çalışmada Borsa İstanbul İmalat Sanayi sektöründe faaliyet gösteren 51 manipüle
edilmiş ve 51 manipüle edilmemiş toplam 102 işletmeye ait pay senedinin 3-9 ay
öncesinden piyasa manipülasyonuna maruz kalıp kalmama durumu tahmin edilmiştir.
İlgili şirketlerin mali tablo ve nitel verileri elde edilerek sınıflandırma
için Yapay Sinir Ağları (ANN) ile Sınıflandırma ve Regresyon Ağacı  (CART) yöntemleri kullanılmıştır. Tüm veri
seti ile doğrulama yöntemi olarak sadece 10 katlı çapraz doğrulama yöntemi
kullanıldığında CART karar ağacı genel tahmin doğruluğu %100, ANN ise % 94,12 olarak
elde edilmiştir. Veri seti %70 eğitim ve %30 test verisi olarak ikiye
ayrıldıktan sonra 10 katlı çapraz doğrulama yapıldığında Yapay Sinir Ağlarının genel
tahmin doğruluğu %86,67 iken CART’ın tahmin doğruluğu %80,00 olarak
bulunmuştur. Veri seti %70 eğitim ve %30 test seti olarak ikiye ayrılarak 10
katlı çapraz doğrulama yöntemi kullanıldığında ANN modeli CART karar ağacı
modeline göre daha yüksek tahmin performansı göstermiştir.

Keywords

Menkul Kıymet Borsaları, Manipülasyon Tahmini, Makine Öğrenmesi, Borsa İstanbul

FORECASTING STOCK PRICE MANIPULATION IN FINANCIAL MARKETS USING DATA MINING METHODS: THE CASE OF BORSA ISTANBUL

Abstract

In this study, 102 businesses, 51 manipulated and 51 non-manipulated, operating in the Borsa Istanbul Manufacturing Industry have been predicted 3-9 months before whether their stock price will be manipulated. Artificial Neural Networks (ANN), Classification and Regression Tree (CART), C5.0 decision tree algorithm and Logistic Regression (LR) methods were used for classification by obtaining financial statements and qualitative data of related businesses. Overall classification accuracy was found as ANN (86.67%), CART (80.00%), C5.0 (76.67%) and LR (70.00%), respectively. The C5.0 algorithm predicted 14 of the 15 manipulated stocks and achieved 93.33% classification accuracy. ANN predicted 14 of the 15 non-manipulated stocks and achieved 93.33% classification accuracy. In this study, since all methods have over 70% predicton performance, related models can also be included in stock manipulation prediction analyzes.

References

• Kaynakça
• Comerton-Forde, C. ve Putnins, T. J. (2011). Measuring Closing Price Manipulation. J. Finan. Intermediation, (20), 135-158.Çalışkan, M.M. Tuncer. (2015). Borsa İstanbul’da Manipülasyon: 2001 – 2013 Yılları Arasında İşlem Yasaklıların Profili. Yönetim ve Ekonomi Araştırmaları Dergisi. 13 (1), 381-391.Çelik, U., Akçetin, E. ve Gök, M. (2017). Rapidminer ile Veri Madenciliği. İstanbul : Pusula Yayınları.Dener, M., Dörterler, M. ve Orman, A. (2009). Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama. Conference: XI. Akademik Bilişim Konferansı (s. 1-11). Şanlıurfa: Conference: XI. Akademik Bilişim Konferansı.Diaz, D., Theodoulidis, B. ve Sampaio, P. (2011). Analysis of Stock Market Manipulations using Knowledge Discovery Techniques Applied to Intraday Trade Prices. Expert Systems with Applications, (38), 12757–12771.Dhanalakshmi, S. ve Subramanian, C. (2014). An Analysis of Data Mining Applications for Fraud Detection in Securities Market. International Journal of Data Mining Techniques and Applications, (3), 326-335.Gemici, E., Cihangir, M. ve Yakut, E. (2017). İşlem Bazlı Manipülasyon: Türkiye Örneği. Ege Akademik Bakış, 17 (3), 369-380.Golmohammadi, K., ve Zaiane, O. R. (2012). Data Mining Applications for Fraud Detection in Securities Market. Conference: Intelligence and Security Informatics Conference (EISIC), 2012 European, (s. 1-8). Edmonton, Canada: https://www.researchgate.net/publication.Gündoğdu, A. (2017). Türk Sermaye Piyasasında Bilgi Suistimali ve Piyasa Dolandırıcılığı Suçu Düzenlemelerinin İrdelenmesi. Maliye Finans Yazıları, (108), 9-26.İmişiker, S. ve Taş, B. K. (2013). Which Firms are More Prone to Stock Market Manipulation? Emerging Markets Review, (16), 119-130.Jardin, P.D. (2016). A Two-Stage Classification Technique for Bankruptcy Prediction, European Journal of Operational Research, (254), 236-252.Kesici, E. ve Nacakcı, M. B. (2014). Piyasa Bozucu Eylemler . Capital Markets Journal, (15), 1-12.Li, H., Sun, J. ve Wu, J. (2010). Predicting Business Failure using Classification and Regression Tree: An Empirical Comparison with Popular Classical Statistical Methods and Top Classification Mining Methods, Expert Systems with Applications, (37), 5895-5904.Li, A., Feng, M., Li, Y. ve Liu, Z. (2016). Application of Outlier Mining in Insider Identification Based on Boxplot Method. Procedia Computer Science, (91), 245-251.Li, A., Wu, J. ve Liu, Z. (2017). Market Manipulation Detection Based on Classification Methods. Procedia Computer Science, (122), 788-795.Öğüt, H., Doğanay, M. M. ve Aktaş, R. (2009). Detecting Stock-Price Manipulation in an Emerging Market: The Case of Turkey. Expert Systems with Applications, (36), 11944-11949.Özcan, R. (2012). Hisse Senedi Piyasalarında Manipülasyon Stratejileri. İMKB Dergisi, 13(49), 20-41.Özkan, Y. (2016). Veri Madenciliği Yöntemleri. İstanbul : Papatya Yayıncılık.Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayınları.Silahtaroğlu, G. (2016). Veri Madenciliği Kavram ve Algoritmaları . İstanbul: Papatya Yayınları.Şensoy, D. (2013). Manipülasyon; Piyasa Dolandırıcılığı Suçu, Uygulanacak Tedbirler ve Yaptırımlar. Ankara Barosu Dergisi, 2013 (3), 369-399.Tellechea, A. F. (2008). Economic Crimes in The Capital Markets. Journal of Financial Crime, 15(2), 214-222.Williams, J. W. (2013). Regulatory technologies, risky subjects, and financial boundaries: Governing ‘fraud’ in the financial markets. Accounting, Organizations and Society, (38), 544-558.