MEVDUAT BANKALARININ KREDĠ DERECELENDĠRMESĠNDE VERĠ MADENCĠLĠĞĠ YÖNTEMLERĠ TAHMĠN PERFORMANSININ ÖLÇÜLMESĠ: TÜRKĠYE ÖRNEĞĠ

Bu çalıĢmada Türkiye‟de aktif büyüklüğü yönünden en yüksek paya sahip 12 mevduat bankasının 2010-2016 döneminde kredi derece notu tahmin edilmiĢtir. Örnek kapsamındaki bankaların finansal tablo verileri kullanılarak ilgili bankaların finansal güç derecesi Yapay Sinir Ağları (YSA), Lojistik Regresyon (LR), K-En Yakın KomĢu Algoritması (KNN) ve NaiveBayes (NB) algoritması ile tahmin edilmiĢtir. AraĢtırmada kullanılan yöntemlerin ayırt edici özellikleri altında tahmin sonuçları karĢılaĢtırılmıĢtır. Türkiye‟de faaliyet gösteren 12 mevduat bankasının kredi derece notunun bir yıl öncesi tahmin oranları yüksekten düĢüğe doğru YSA (%98,81), LR (%84,52), KNN (%75,00), NB (%60,71) olarak bulunmuĢtur. Bu araĢtırmada ulaĢılan sonuçlar, ilgililerin kullandıkları modellere bu çalıĢmada elde edilen modelleri de dâhil edebileceklerini göstermektedir.

PREDICTING FORECASTING PERFORMANCE OF DATA MININGMETHODS IN CREDIT RATING OF DEPOSIT BANKS: THE CASE OFTURKEY

In this study, 2010-2016 period credit rating of 12 deposit banks having the highest share in terms of total assets was predicted. Using the financial statement data of the banks within the scope of the sample, the financial strength of the relevant banks was predicted by Artificial Neural Networks (ANN), Logistic Regression (LR), K-Nearest Neighbor Algorithm (KNN) and NaiveBayes (NB) algorithm. The prediction results were compared under the distinctive features of the methods used in the study. One year ago credit rating prediction rates of 12 deposit banks operating in Turkey was ANN (98,81%), L (84,52%), KNN (75,00%), NB (60,71%), respectively. The results obtained in this study show that the relevant people can include the models obtained in this study to the models they already use.

PDF

___

AKAY, Ebru. ÇAĞLAYAN; (2018), “Ekonometride Yeni Bir Ufuk: Büyük Veri ve Makine Öğrenmesi”, Social Sciences Research Journal, 7(2), ss. 41-53.
AKBULAK, Yavuz; (2012), “Kredi Derecelendirmesi veya Rating: Kavram ve Ölçütler”, Mali Çözüm, Mayıs-Haziran, ss. 171-184.
AKPINAR, Haldun; (2014). Data Veri Madenciliği Veri Analizi. Ġstanbul: Papatya Yayınları.
AYTEKĠN, Sinan ve ġakir SAKARYA; (2013), “BIST‟deki Mevduat Bankalarının Finansal Performanslarının 2001 ve 2008 Finansal Krizleri Çerçevesinde Camels Derecelendirme Sistemi ile Değerlendirilmesi”, AĠBÜ Sosyal Bilimler Enstitüsü Dergisi, 13(2), ss. 25-58.
BEKTAġ, Hakan ve Ahmet GÖKÇEN; (2011), “Türk Bankacılık Sektöründe Finansal Güç Derecesine Sahip Olan Bankaların Kantitatif Verilerinin Ġstatistiksel Analizi”, Marmara Üniversitesi Ġ.Ġ.B.F. Dergisi, 31(2), ss. 345-366.
BELLOTTI, Tony, Roman MATOUSEK ve Chris STEWART; (2011), “Are Rating Agencies' Assignments Opaque? Evidence from International Banks”, Expert Systems with Applications, 38(4), pp. 4206-4214.
BISSOONDOYAL-BHEENĠCK, Emawtee ve Sirimon TREEPONGKARUNA; (2011), “An Analysis of the Determinants of Bank Ratings: Comparison Across Rating Agencies”, Australian Journal of Management, 36(3), pp. 405-424.
BODUR, Çağlayan ve Suat TEKER; (2005), “Ticari Firmaların Kredi Derecelendirmesi: ĠMKB Firmalarına Uygulanması”, ĠTÜ Sosyal Bilimler Dergisi, 2(1), ss. 25-36.
BOYACIOĞLU, Melek Acar; (2003), Bankalarda Derecelendirme (Rating) ve Türk Bankacılık Sektörü Üzerine Ampirik Bir ÇalıĢma . Konya : Selçuk Üniversitesi Sosyal Bilimler Enstitüsü YayımlanmamıĢ Doktora Tezi.
ÇELĠK, Ufuk, Eyüp AKÇETĠN ve Murat GÖK, M; (2017), Rapidminer Ġle Veri Madenciliği. Ġstanbul: Pusula Yayınları.
ELKHOURY, Marwan; (2008), “Credit Rating Agencies and Their Potential Impact on Dveloping Countries. United Nations Conference on Trade and Development”, Discussion Papers, No: 186.
ÇOKLUK, Ömay, Güçlü ġEKERCĠOĞLU ve ġener BÜYÜKÖZTÜRK; (2016). Sosyal Bilimler Ġçin Çok DeğiĢkenli Ġstatistik SPSS ve LISREL Uygulamaları, Ankara: Pegem Akademi Yayını.
ENKE, David ve Suraphan Thawornwong; (2005), “The Use of Data Mining and Neural Networks for Forecasting Stock Market Returns”, Expert Systems with Applications, (29), 927-940.
EREN, Erkan; (2010), “Derecelendirme KuruluĢları Tarafından Verilen Notlar Sebebiyle Üçüncü KiĢilerin Uğrayabileceği Zararlardan Kaynaklanan Sorumluluğun Hukuki Niteliği”, BDDK Bankacılık ve Finansal Piyasalar, 4(2), ss. 111-144.
ERKAN, Mustafa ve Mustafa YaĢar DEMĠRCĠOĞLU; (2011), “Türkiye‟ye Verilen Derecelendirme Notlarının Doğrudan Yabancı Yatırım GiriĢine Etkisinin Yıllar Ġtibariyle Ġncelenmesi”, Ġnönü Üniversitesi Hukuk Fakültesi Dergisi, 2(1), ss. 209-239.
GAGANIS, Chrysovalantis, Fotios PASIOURAS, ve Constantin ZOPOUNUDIS; (2006), “A Multicriteria Decision Framework for Measuring Banks' Soundness around the World”, Journal of Multi-Criteria Decision Analysis, 14, pp. 103-111.
HAMMER, Peter. L., Alexander KOGAN ve Miguel A. LEJEUNE; (2012), “A Logical Analysis of Bank's Financial Strength Ratings”, Expert Systems with Applications, 39, pp. 7808-7821.
HAU, Harald, Sam.LANGFIELD, ve David MARQUES-IBANEZ; (2013), “Bank Ratings: What Determines Their Quality?”, Economic Policy, April 2013, pp. 289-333.
HUANG, Zan, Hsinchun CHEN, Chia-Jung HSU, Wun.-Hwa CHEN ve Soushan WU; (2004), “Credit Rating Analysis with Support Vector Machines and Neural Networks: A Market Comparative Study”, Decision Support Systems, 37, pp. 543-558.
IOANNIDIS, Christos, Fotios PASIOURAS, ve Constantin ZOPOUNUDISI; (2010), “Assessing Bank Soudness with Classification Techniques”, Omega, 38(5), pp. 345- 357.
JARDIN, Philippe Du; (2016), “A Two-Stage Classification Technique for Bankruptcy Prediction”, European Journal of Operational Research, (254), 236-252.
KARA, Yakup, Melek Acar BOYACIOĞLU ve Ömer Kaan BAYKAN; (2011), “Predicting Direction of Stock Price Index Movement using Artificial Neural Networks and Support Vector Machines: The Sample Of The Istanbul Stock Exchange”, Expert Systems With Applications, (38), 5311-5319.
KARGI, Bilal; (2014), “Uluslararası Kredi Derecelendirme KuruluĢları ve Türkiye‟nin Kredi Notu Üzerine Bir Ġnceleme”, International Journal of Social Science. 24, ss. 351- 370.
KILIÇ, Selim; (2015), “Kappa Testi”, Journal of Mood Disorders, 5(3), ss. 142-144.
LIANG, Deron, Chih-Fong TSAI, Hsin-Ting Wu; (2015), “The Effect of Feature Selection on Financial Distress Prediction”, Knowledge-Based Systems, (73), 289-297
ORSENIGO, C. ve C. VERCELLIS; (2013), “Linear Versus Nonlinear Dimensionality Reduction for Banks‟ Credit Rating Prediction”, Knowledge-Based Systems, 47, pp. 14-22.
ÖZÇALICI, Mehmet; (2017), “AĢırı Öğrenme Makineleri Ġle Hisse Senedi Fiyat Tahmini”, Hacettepe Üniversitesi Ġktisadi ve Ġdari Bilimler Fakültesi Dergisi, 35(1), 67-88.
ÖZDAĞOĞLU, Güzin, Ahmet ÖZDAĞOĞLU, Y.GÜMÜġ, ve G. KURT-GÜMÜġ, (2017); “The Application of Data Mining Techniques in Manipulated Financial Statement Classification: The Case of Turkey”, Journal of AI and Data Mining, 5(1), pp. 67-77.
ÖZKAN, Yalçın; (2016), Veri Madenciliği Yöntemleri, Ġstanbul: Papatya Yayınları.
ÖZTEMEL, Ercan; (2012). Yapay Sinir Ağları, Papatya Yayınları, Ġstanbul.
PACKER, Frank ve Nikola TARASHEV; (2011), “Rating Methodologies for Banks”, BIS Quarterly Review, June 2011, 39-52.
PASIOURAS, F., C. GAGANIS, ve C. ZOPOUNIDIS; (2006), “The Impact of Bank Regulations, Supervision, Market Structure, and Bank Characteristics on Individual Bank Ratings: A Cross-Country Analysis”, Rev Quant Finan Ac., 27, pp. 403–438
PASIOURAS, Fotios, Chrysovalantis GAGANIS, ve M. DOUMPOS; (2007), “A Multicriteria Discrimination Approach for The Credit Rating of Asian Banks”, Annals of Finance, 3, pp. 351-367.
POON, Winnie P. H., Michael FIRTH ve Hung-Gay FUNG; (1999), “A Multivariate Analysis of the Determinants of Moody‟s Bank Financial Strength Ratings”, Journal of International Financial Markets, Institutions and Money, 9(3), pp. 267-283.
POON, Winnie P. H. and Michael FIRTH; (2005), “Are Unsolicited Credit Ratings Lower? International Evidence from Bank Ratings”, Journal of Business Finance and Accounting, 32 (9-10), pp. 1741-1771.
SHEN, Chung.Hua, Yu.Li HUANG ve Iftekhar HASAN; (2012), “Asymmetric Benchmarking in Bank Credit Rating”, Journal of International Financial Markets, Institutions and Money, 22, pp. 171-193.
SĠLAHTAROĞLU, Gökhan; (2016), Veri Madenciliği Kavram ve Algoritmaları, Ġstanbul Papatya Yayınları.
UZUNOĞLU, Hande; (2013), Banka Kredi Derecelendirmesi: Yapay Sinir Ağları Yöntemi ile Türk Bankaları Üzerine Bir Uygulama. Isparta : Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü, YayınlanmamıĢ Yüksek Lisans Tezi.
YÜKSEL, Serhat, Hasan DĠNÇER, ve Ümit HACIOĞLU; (2015), “CAMELS-based Determinants for the Credit Rating of Turkish Deposit Banks”, International Journal of Finance and Banking Studies, 4(4), ss. 1-17.
WOLF, Krystof; (2015), What are The Main Determinants of Banks' Rating Across CEE Countries?, Master's Thesis, Charles University in Prague, Faculty of Social Sciences, Institute of Economic Studies.
Kredi Derecelendirme. (20.03.2018). Sermaye Piyasası Lisanslama Web Sitesi: http://www.serpam.org adresinden alınmıĢtır.
Aktif Büyüklüklerine Göre Banka Sıralaması. (15.03.2018). Türkiye Bankalar Birliği: www.tbb.org.tr adresinden alınmıĢtır.