XGBOOST İLE ZAMAN SERİSİ VERİLERİNDEN FİNANSAL BAŞARISIZLIK TAHMİNİ: BORSA ISTANBUL BİST100

Yıl 2023, , 589 - 604, 10.07.2023

Umut Engin , Salih Durer

https://doi.org/10.31671/doujournal.1238432

Öz

Bu çalışmada, Borsa İstanbul BIST SINAI Endeksi’nde yer alan 233 şirketin 2010'dan 2020'ye kadar olan finansal ve finansal olmayan verileri kullanılmıştır. Bu firmaların finansal sıkıntıya girip girmeyeceklerini tahmin etmek için bir makine öğrenmesi algoritması olan XGBOOST kullanıldı. Denetimli öğrenme şeklinde makine eğitildi, verinin %80’ i eğitim, %20’ si ise test için kullanıldı. Finansal sıkıntıyı tahmin ederken finansal oranlar bağımsız değişkenler olarak kullandı. 25 adet finansal oranı 4 ana başlık altında toplayabiliriz: Likidite, Finansal Yapı, Faaliyet ve Karlılık Oranları. Ayrıca model, firmaları tek tek analiz etmeyi sağladı. Şirketlerin finansal sıkıntıya girip girmeyeceklerini tahminlemede maksimum F1 puanı (%85.1), hatırlama (%84.5), kesinlik (%85.7) ve doğruluk (%91.6) elde edildi.

Anahtar Kelimeler

XGBoost, BIST100, Finansal Sıkıntı, Tahmin, Hisse Senedi, BIST SINAI

Destekleyen Kurum

Yıldız Teknik Üniversitesi Sosyal Bilimler Üniversitesi

FINANCIAL DISTRESS PREDICTION FROM TIME SERIES DATA USING XGBOOST: BIST100 OF BORSA ISTANBUL

Öz

This study utilized financial and non-financial data from 233 companies listed in the Borsa Istanbul BIST SINAI Index from 2010 to 2020. The XGBOOST machine learning algorithm was employed to predict whether these companies would encounter financial distress. The machine was trained using supervised learning, with 80% of the data used for training and 20% for testing purposes. Financial ratios were utilized as independent variables in predicting financial distress. The 25 financial ratios can be categorized into four main headings: Liquidity, Financial Structure, Activity, and Profitability Ratios. Furthermore, the model allowed for individual analysis of each company. In predicting whether companies would experience financial distress, the maximum F1 score (85.1%), recall (84.5%), precision (85.7%), and accuracy (91.6%) were achieved.

Anahtar Kelimeler

XGBoost, BIST100, Financial Distress, Prediction, Stock, BIST SINAI

Kaynakça

• Abu-Mostafa, Y. S., & Atiya, A. F. (1996). Introduction to financial forecasting. Applied Intelligence, 6(3), 205–213.
• Akkaya, G., Demireli, E. ve Yakut, Ü. H. (2009). İşletmelerde finansal başarısızlık tahminlemesi: Yapay sinir ağları modeli ile İMKB üzerine bir uygulama. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 10(2), 187-216.
• Aktaş, R. (1993). Endüstri işletmeleri için mali başarısızlık tahmini: Çok boyutlu model uygulaması. Ankara: Türkiye İş Bankası Kültür Yayınları.
• Aktaş, R., Doğanay, M. ve Yıldız, B. (2003). Finansal başarısızlığın öngörülmesi: İstatistiksel yöntemler ve yapay sinir ağı karşılaştırması. Ankara Üniversitesi SBF Dergisi, 58(4), 1-24.
• Albayrak, A. S. ve Yılmaz, Ş. K. (2009). Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52.
• Alkhatib, K., Najadat, H., Hmeidi, I., & Shatnawi, M. K. A. (2013). Stock price prediction using k-nearest neighbor (kNN) algorithm. International Journal of Business, Humanities and Technology, 3(3), 32–44.
• Altan, G., & Demirci, S. (2022). Makine öğrenmesi ile nakit akış tablosu üzerinden kredi skorlaması: XGBoost yaklaşımı. Journal of Economic Policy Researches, 9(2), 397–424.
• Altman, E. I., & Hotchkiss, E. (2010). Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt (Vol. 289). John Wiley & Sons.
• Baş, M., & Çakmak, Z. (2012). Gri ilişkisel analiz ve lojistik regresyon analizi ile işletmelerde finansal başarısızlığın belirlenmesi ve bir uygulama. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 12(3), 63–82.
• Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. Conference: the 22nd ACM SIGKDD International Conference, 785–794.
• Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., & Chen, K. (2015). Xgboost: Extreme gradient boosting. R Package Version 0.4-2, 1(4), 1–4.
• Civan, M., & Dayı, F. (2014). Altman Z skoru ve yapay sinir ağı modeli ile sağlık işletmelerinde finansal başarısızlık. Akademik Bakış Dergisi, 41.
• Coelho, L. P., & Richert, W. (2015). Building machine learning systems with Python. Packt Publishing Ltd.
• Goecks, J., Jalili, V., Heiser, L. M., & Gray, J. W. (2020). How machine learning will transform biomedicine. Cell, 181(1), 92-101.
• KAP (2022a). BİST bildirim. Erişim Adresi: https://www.kap.org.tr/tr/
• KAP (2022b). BİST şirketler. Erişim Adresi: https://www.kap.org.tr/tr/bist-sirketler
• Keskin, Y. (2002). İşletmelerde finansal başarısızlığın tahmini, çok boyutlu model önerisi ve uygulaması (Yayımlanmamış Doktora Tezi). Hacettepe Üniversitesi, Sosyal Bilimler Enstitüsü, Ankara.
• Kılıç, Y. ve Seyrek, İ. H. (2012). Finansal başarısızlık tahmininde yapay sinir ağlarının kullanılması: İmalat sektöründe bir uygulama. ISAF 2012. Paper presented at the 1st International Symposium on Accounting and Finance (Tam Metin Bildiri/Sözlü Sunum) (Yayın No: 3438181).
• Kılıç, Y., & Seyrek, İ. H. (2012). Finansal başarısızlık tahmininde yapay sinir ağlarının kullanılması: imalat sektöründe bir uygulama. 1st International Symposium on Accounting and Finance içinde (677–689, ss.).
• Li, H. and Sun, J. (2011). Empirical research of hybridizing principal component analysis with multivariate discriminant analysis and logistic regression for business failure prediction. Expert Systems with Applications, 38(5), 6244-6253.
• Marček, D. (2004). Stock price forecasting: Statistical, classical and fuzzy neural network approach. Torra, V., Narukawa, Y. (Eds). Modeling Decisions for Artificial Intelligence. MDAI 2004. Lecture Notes in Computer Science, vol 3131 içinde (41-48, pp). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-27774-3_5
• Özdemir, F.S. (2011). Finansal başarısızlık ve finansal tablolara dayalı tahmin yöntemleri. Ankara: Siyasal Kitabevi.
• Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.
• Shirata, C. Y. (1998, August). Financial ratios as predictors of bankruptcy in Japan: An empirical research. In Proceedings of the second Asian Pacific interdisciplinary research in accounting conference, Vol. 1, 17.
• Torun, T. (2007). Finansal başarısızlık tahmininde geleneksel istatistiki yöntemlerle yapay sinir ağlarının karşılaştırılması ve sanayi işletmeleri üzerinde uygulama. (Yayımlanmamış Doktora Tezi). Erciyes Üniversitesi Sosyal Bilimler Enstitüsü, Kayseri.
• Ustalı, N. K., Tosun, N., & Tosun, Ö. (2021). Makine öğrenmesi teknikleri ile hisse senedi fiyat tahmini. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 16(1), 1–16.
• Yakut, E. ve Elmas, B. (2013). İşletmelerin finansal başarısızlığının veri madenciliği ve diskriminant analizi modelleri ile tahmin edilmesi. Afyon Kocatepe Üniversitesi İİBF Dergisi, XV(I), 237-254.