Özdüzenleyici Haritalar Yöntemi ile Bankacılık Sektörü Piyasa Bölümlendirilmesi

Bankalar, finansal aracı rolleri ile bir ekonomide önemli roller üstlenmektedirler. Bu nedenle bankacılık sektörünün denetlenmesi önem arz etmektedir. Kümeleme analizi ile birlikte sektörün gelişimi incelenebilir. Bu çalışmanın amacı denetimsiz öğrenme tekniğini uygulayan özdüzenleyici haritalar yöntemi ile Türkiye de faaliyet gösteren ve 100’ün üzerinde şubesi bulunan 13 mevduat bankasının, 2014-2017 Aralık dönemi finansal tablolarından elde edilen 12 oran yardımıyla sektörün küme yapılarının belirlenmesidir. Kümeleme analizinin geçerliliği Silhouette değerleri ve grafikleri yardımıyla incelenmiştir. Sonuçta 2014 yılında sektörün üç küme oluşturduğu 2015-2017 dönemlerinde ise küme yapılarının değişmediği ve bankaların iki kümede toplandıkları belirlenmiştir. Teknik, veri setini kullanıcı bilgisine gerek duymadan kümelere ayırabilme üstünlüğüne sahiptir.

Market Segmentation with Self-Organizing Maps in Banking Industry

Banks play important roles in an economy with their financial intermediary roles. For this reason, supervision of the banking sector is also important. The development of the sector can be monitored with clustering analysis. In this study, self-organizing maps which implements unsupervised learning is applied to cluster 13 commercial banks with branches over 100. The dataset covers 2014-2017 period. 12 financial ratios are calculated from the financial statements of banks. Clustering validity is examined with the help of Silhouette values and graphs. As a result, it was determined that the sector formed three clusters in 2014. In 2015-2017 periods, cluster structures were not changed and banks were collected in two clusters. The technique has the advantage of separating the data set into clusters without the need for user information.

PDF

___

1. Akgül, F. G., & Başkır, M. B. (2013). Bankaların 2008-2012 Yılları Arasında Aktif Büyüklüklerini Etkileyen Kriterler Bakımından Hiyerarşik Kümeleme ve PAM Algoritması ile Sınıflandırılması. Bankacılık ve Sigortacılık Araştırmaları Dergisi, 1(5–6), 48–63.
2. Alam, P., Booth, D., Lee, K., & Thordarson, T. (2000). The use of fuzzy clustering algorithm and self-organizing neural networks for identifying potentially failing banks : an experimental study. Expert Systems with Applications, 18, 185–199.
3. Aydın, D., & Başkır, M. B. (2013). Bankaların 2012 Yılı Sermaye Yeterlilik Rasyolarına Göre Kümeleme Analizi Ve Çok Boyutlu Ölçekleme Sonucu Sınıflandırılma Yapıları, 6(Nisan), 29–47.
4. Ayrıçay, Y., & Akgöz, E. (2014). Ticari Bankaların Finansal Oranlar Yardımıyla Sınıflandırılması: Kümeleme Analizi Yaklaşımı. Journal of Social and Humanities Sciences Research, 1(1), 1–23.
5. Badran, F., Yacoub, M., & Thiria, S. (2005). Self-Organizing Maps and Unsupervised Classification. In G. Dreyfus (Ed.), Neural Networks Methodology and Applications (pp. 379–442). Berlin/Heidelberg: Springer-Verlag.
6. Deboeck, G. J. (1998). Financial applications of self-organizing maps. Neural Network World, 8(2), 213–241.
7. Dias, J. G., & Ramos, S. B. (2014). The aftermath of the subprime crisis: A clustering analysis of world banking sector. Review of Quantitative Finance and Accounting, 42(2), 293–308.
8. Doğan, B. (2008). Bankaların Gözetiminde Bir Araç Olarak Kümeleme Analizi: Türk Bankacılık Sektörü için Bir Uygulama. Kadir Has Üniversitesi.
9. Gan, G., Ma, C., & Wu, J. (2007). Data Clustering Theory, Algorithms and Applications. ASA-SIAM series on statistics and applied probability.
10. Gökgöz, İ. H., Altınel, F., Yetkin, F. P., & Koç, İ. (2013). Classification of Turkish Commercial Banks Under Fuzzy c-Means Clustering. BDDK Bankacılık ve Finansal Piyasalar, 7(2), 13–36.
11. Hennig, C., & Meila, M. (2016). Cluster Analysis: An Overview. In C. Hennig, M. Meila, F. Murtagh, & R. Rocci (Eds.), Handbook of Cluster Analysis (pp. 1–21). Florida: Taylor & Francis. http://doi.org/10.1201/b19706
12. Ishikawa, K., Shinozawa, Y., & Sakurai, A. (2011). Self-Organization and Aggregation of Knowledge. In J. I. Mwasiagi (Ed.), Self Organizing Maps - Applications and Novel Algorithm Design (pp. 143–173). Rijeka: InTech Open.
13. Jagric, T., Bojnec, S., & Jagric, V. (2015). Optimized spiral spherical selforganizing map approach to sector analysis - The case of banking. Expert Systems with Applications, 42(13), 5531–5540.
14. Kaski, S. (2011). Sammut - Encyclopedia of Machine Learning - 2011. In C. Sammut & G. I. Webb (Eds.), Encyclopedia of Machine Learning. Springer Reference.
15. Kaufman, L., & Rousseeuw, P. J. (2005). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley-Interscience (Vol. 33). Wiley-Interscience.
16. Keçek, G., & Cinser, V. (2008). Türkiye’de Faaliyette Bulunan Ticaret Bankalarının Performanslarına Göre Sınıflandırılmasında Etkili Olan Değişkenlerin Belirlenmesi ve Bir Uygulama Denemesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (22).
17. Kirt, T., Vainik, E., & Võhandu, L. (2007). A method for comparing selforganizing maps : case studies of banking and linguistic data Self-organizing Map. Local Proceedings of ADBIS, 107–115.
18. Kohonen, T. (2001). The self-organizing map. Springer Berlin. 19. Kozmenko, S., Shkolnyk, I., & Bukhtiarova, A. (2016). Dynamics patterns of banks evaluations on the basis of Kohonen self-organizing maps. Banks and Bank Systems, 11(4–1), 179–192.
20. Martin-del-Brio, B., & Serrano-Cinca, C. (1993). Self-organizing Neural Networks for the Analysis and Representation of Data : Some Financial Cases, 193–206.
21. Mehrotra, K., Mohan, C. K., & Ranka, S. (1996). Elements of artificial neural networks. MIT Press
22. Mishkin, F. S., & Eakins, S. G. (2015). Financial Markets and Institutions (Eighth). Boston: Pearson Education.
23. Murtagh, F. (2016). A Brief History of Cluster Analysis. In C. Hennig, M. Meila, F. Murtagh, & R. Rocci (Eds.), Handbook of Cluster Analysis (pp. 21–33). Florida: Taylor & Francis.
24. Özçalıcı, M. (2017). Özdüzenleyici Haritalar Yardımıyla Piyasa Bölümlendirmesi : Türkiye İkinci El Otomobil Piyasası Örneği. Eskişehir Osmngazi Üniversitesi İİBF Dergisi, 12(2), 23–36.
25. Sarlin, P., & Eklund, T. (2013). Financial performance analysis of European banks using a fuzzified Self-Organizing Map, 17, 223–234.
26. Sayılgan, G. (2013). İşletme Finansmanı: Soru ve Yanıtlarıyla. Ankara: Siyasal Kitabevi.
27. Shih, J. (2000). Using Self-organizing Maps for Analzing Credit Rating and Financial Ratio Data. 2011 IEEE International Summer Conference of Asia Pacific Business Innovation and Technology Management, 109–112.
28. Shumsky, S., & Yarovoy, A. V. (1998). Self-Organizing Atlas of Russian Banks. In G. Deboeck & T. Kohonen (Eds.), Visual Explorations in Finance (pp. 72– 82). Springer-Verlag.
29. Tütkiye Bankalar Birliği, (2018). Banka Bilgileri, tbb.org.tr.
30. Uludağ, İ., & Arıcan, E. (1999). Finansal Piyasalar Ekonomisi (Piyasalar-Kurumlar-Araçlar). İstanbul: Beta Yayınlları.
31. Vagizova, V., Lurie, K., & Ivasiv, I. (2014). Clustering of Russian banks : business models of interaction of the banking sector and the real economy, 12(1).
32. Wierzchon, S. T., & Klopotek, M. A. (2018). Modern Algorithms of Cluster Analysis. Cham: Springer International Publishing.

BDDK Bankacılık ve Finansal Piyasalar Dergisi-Cover

ISSN: 1307-5705
Yayın Aralığı: Yıllık
Başlangıç: 2007
Yayıncı: Bankacılık Düzenleme ve Denetleme Kurumu

Arşiv

Sayıdaki Diğer Makaleler

Özdüzenleyici Haritalar Yöntemi ile Bankacılık Sektörü Piyasa Bölümlendirilmesi

Mehmet ÖZÇALICI

Mobil Ödemeler, Güvenlik Sorunları ve Çözüm Önerileri

Barış İŞLER, Hakan GÜLAÇ

Türkiye’deki Mevduat Bankalarının Karlılığını Etkileyen Mikro Düzeyli Faktörler Üzerine Ampirik Bir Araştırma

Eda DİZGİL