Finansal Tablo Hileleri’nin Makine Öğrenmesi Yöntemleri ve Lojistik Regresyon Kullanılarak Tahmin Edilmesi: Borsa İstanbul Örneği

Bu çalışmada Borsa İstanbul’da 2000-2019 yılları arasında işlem gören 88 şirketin finansal tablolarında sahtekârlık yapıp yapmadıkları bir yıl öncesinden tahmin etmek için etkili bir model oluşturulması amaçlanmıştır. Bu amaçla makine öğrenmesi yöntemlerinden Yapay Sinir Ağları (ANN), Sınıflandırma ve Regresyon Ağaçları (CART), Destek Vektör Makinesi (SVM) ile Lojistik Regresyon (LR) yöntemleri kullanılarak mali tablo dolandırıcılığı tahmin edilmiştir. Analiz sonucunda ANN (%96,15), CART (%96,15), SVM (%80,77) ve LR (80,77) test örneği genel tahmin doğruluğu elde edilmiştir. ANN ve CART yöntemleri test örneğinde mali tablolarında sahtekârlık yapmış 13 şirketin tamamını (%100.00) doğru sınıflandırmıştır. Bu sonuç mali tablo sahtekârlığı tahmin çalışmalarında kullanılan yöntemlere, bu çalışmada elde edilen tüm modellerin dâhil edilebileceğini göstermektedir.

___

  • Albashrawi, M. (2016). Detecting Financial Fraud using Data Mining Techniques: A Decade Review From 2004 To 2015. Journal of Data Science, 14, 553-570. Chen, S. (2016). Detection of Fraudulent Financial Statements using the Hybrid Data Mining Approach. Chen SpringerPlus, 5(89), 1-16. Chintalapati, S. S., & G.Jyotsna. (2013). Application of Data Mining Techniques for Financial Accounting Fraud Detection Scheme. International Journal of Advanced Research in Computer Science and Software Engineering, 3 (11), 717-724. Çelik, U., Akçetin, E., & Gök, M. (2017). Rapidminer ile Veri Madenciliği . İstanbul: Pusula Yayınları. Çokluk, Ö., Şekercioğlu G., & Büyüköztürk Ş. (2016). Sosyal Bilimler İçin Çok Değişkenli İstatistik SPSS ve LISREL Uygulamaları, Ankara: Pegem Akademi Yayını. Delen, D., Kuzey, C., & Uyar, A. (2013). Measuring Firm Performance using Financial Ratios: A Decision Tree Approach. Expert Systems with Applications, 40, 3970-3983. Dener, M., Dörterler, M., & Orman, A. (2009). Açık Kaynak Kodlu Veri Madenciliği Programları: Weka’da Örnek Uygulama. Conference: XI. Akademik Bilişim Konferansı, Şanlıurfa: 1-11. Fındık, H., & Öztürk, E. (2016). Finansal Bilgi Manipülasyonunun Beneish Modeli Yardımıyla Ölçülmesi: BIST İmalat Sanayi Üzerine Bir Araştırma. İşletme Araştırmaları Dergisi, 8(1), 483-499. Apparao, G., Singh, A., G.S.Rao, Bhavani, B., K.Eswar, & D.Rajani. (2009). Financial Statement Fraud Detection by Data Mining. Int. J. of Advanced Networking and Applications, 1(3), 159-163. Gaganis, C. (2009). Classification Techniques for the Identification of Falsified Financial Statements: A Comparative Analysis. Intelligent Systems in Accounting, Finance and Management, 16, 207-229. Gallego, A. G., & Quintana, M. J. (2012). Business Failure Prediction Models: Finding The Connection Between Their Result And the Sampling Method. Preparation of Electronic Manuscripts for Publication, 157-168. Jan, C.-l. (2018). An Effective Financial Statements Fraud Detection Model for The Sustainable Development of Financial Markets: Evidence From Taiwan. Sustainability, 10(513), 1-14. Jardin, P. d. (2016). A Two-Stage Classification Technique for Bankruptcy Prediction. European Journal of Operational Research, 254, 236-252. Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining Techniques for The Detection of Fraudulent Financial Statements. Expert Systems with Applications, 32, 995-1003. Kotsiantis, S., Koumanakos, E., Tzelepis, D., & Tampakas, V. (2007). Forecasting Fraudulent Financial Statements using Data Mining. International Scholarly and Scientific Research & Innovation, 1(12), 844-849. Küçükkocaoğlu, G., & Küçüksözen, C. (2005). Gerçeğe Aykırı Finansal Tabloların Ortaya Çıkarılması: İMKB Şirketleri Üzerine Ampirik Bir Çalışma. Muhasebe ve Finansman Dergisi, 28, 160-171. Liang, D., Tsai, C.-F. & Wu, H.-T. (2015). The Effect of Feature Selection on Financial Distress Prediction. Knowledge-Based Systems, 73, 289-297 Lussier, R. N. (1995). A Nonfinancial Business Success Versus Failure Prediction Model for Young Firms . Journal of Small Business Management, 8-20. Ngai, E., Hu, Y., Wong, Y., Chen, Y., & Sun, X. (2011). The Application of Data Mining Techniques in Financial Fraud Detection: A Classification Framework and an Academic Review of Literature. Decision Support Systems, 50, 559–569. Omidi, M., Min, Q., Moradinaftchali, V., & Piri, M. (2019). The Efficacy of Predictive Methods in Financial Statement Fraud. Discrete Dynamics in Nature and Society, 1-12. Özdağoğlu, G., Özdağoğlu, A., Gümüş, Y., & Kurt-Gümüş, G. (2017). The Application of Data Mining Techniques in Manipulated Financial Statement Classification: The case of Turkey. Journal of AI and Data Mining, 5(1), 67-77. Özkan, Y. (2016). Veri Madenciliği Yöntemleri, İstanbul: Papatya Yayınları. Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayınları. Dhanalakshmi, S. & C.Subramanian. (2014). An Analysis of Data Mining Applications for Fraud Detection İn Securities Market. International Journal of Data Mining Techniques and Applications, 3, 326-335. Silahtaroğlu, G. (2016). Veri Madenciliği Kavram ve Algoritmaları . İstanbul: Papatya Yayınları. Şen, İ. K., & Terzi, S. (2012). Detecting Falsified Financial Statements using Data Mining: Empirical Research on Finance Sector in Turkey. Maliye Finans Yazıları, 96, 76-94. Tangod, K., & Kulkarni, G. (2015). Detection of Financial Statement Fraud using Data Mining Technique And Performance Analysis. International Journal of Advanced Research in Computer and Communication Engineering, 4(7), 549-555. Terzi, S. (2012). Hile Ve Usulsüzlüklerin Tespitinde Veri Madenciliğinin Kullanımı . Muhasebe ve Finansman Dergisi, Nisan, 51-64. Varıcı, İ., & Er, B. (2013). Muhasebe Manipülasyonu ve Firma Performansı İlişkisi: İMKB uygulaması. Ege Akademik Bakış, 13(1), 43-52. 2018 Report to the Nations. (2019). 08 21, 2019 tarihinde https://www.acfe.com/report-to-the-nations/2018/: https://s3-us-west-2.amazonaws.com/acfepublic/2018-report-to-the-nations.pdf adresinden alındı.