Özdüzenleyici Haritalar Yöntemi İle Bankacılık Sektörü Piyasa Bölümlendirilmesi

Yıl 2017, Cilt: 11 Sayı: 2, 9 - 30, 01.12.2017

Mehmet Özçalıcı

Öz

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

Anahtar Kelimeler

Yapay Sinir Ağları, Özdüzenleyici Haritalar, Kümeleme, Bölümlendirme

Market Segmentation with Self-Organizing Maps in Banking Industry

Öz

Market Segmentation with Self-Organizing Maps in Banking IndustryBanks 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

Anahtar Kelimeler

Artificial Neural Networks, Self-organizing Maps, Clustering, Segmentation

Kaynakça

• 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.
• Alam, P., Booth, D., Lee, K., & Thordarson, T. (2000). The use of fuzzy cluste- ring algorithm and self-organizing neural networks for identifying potentially failing banks : an experimental study. Expert Systems with Applications, 18, 185–199.
• Aydın, D., & Başkır, M. B. (2013). Bankaların 2012 Yılı Sermaye Yeterlilik Rasyolarına Göre Kümeleme Analizi Ve Çok Boyutlu Ölçekleme Sonucu Sınıf- landırılma Yapıları, 6(Nisan), 29–47.
• Ayrıçay, Y., & Akgöz, E. (2014). Ticari Bankaların Finansal Oranlar Yardımıyla Sınıflandırılması: Kümeleme Analizi Yaklaşımı. Journal of Social and Humani- ties Sciences Research, 1(1), 1–23.
• Badran, F., Yacoub, M., & Thiria, S. (2005). Self-Organizing Maps and Un- supervised Classification. In G. Dreyfus (Ed.), Neural Networks Methodology and Applications (pp. 379–442). Berlin/Heidelberg: Springer-Verlag.
• Deboeck, G. J. (1998). Financial applications of self-organizing maps. Neural Network World, 8(2), 213–241.
• 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.
• Doğan, B. (2008). Bankaların Gözetiminde Bir Araç Olarak Kümeleme Anali- zi: Türk Bankacılık Sektörü için Bir Uygulama. Kadir Has Üniversitesi.
• Gan, G., Ma, C., & Wu, J. (2007). Data Clustering Theory, Algorithms and Applications. ASA-SIAM series on statistics and applied probability.
• Gökgöz, İ. H., Altınel, F., Yetkin, F. P., & Koç, İ. (2013). Classification of Tur- kish Commercial Banks Under Fuzzy c-Means Clustering. BDDK Bankacılık ve Finansal Piyasalar, 7(2), 13–36.
• 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
• Ishikawa, K., Shinozawa, Y., & Sakurai, A. (2011). Self-Organization and Agg- regation of Knowledge. In J. I. Mwasiagi (Ed.), Self Organizing Maps - App- lications and Novel Algorithm Design (pp. 143–173). Rijeka: InTech Open.
• Jagric, T., Bojnec, S., & Jagric, V. (2015). Optimized spiral spherical self- organizing map approach to sector analysis - The case of banking. Expert Systems with Applications, 42(13), 5531–5540.
• Kaski, S. (2011). Sammut - Encyclopedia of Machine Learning - 2011. In C. Sammut & G. I. Webb (Eds.), Encyclopedia of Machine Learning. Springer Reference.
• Kaufman, L., & Rousseeuw, P. J. (2005). Finding Groups in Data: An Intro- duction to Cluster Analysis. Wiley-Interscience (Vol. 33). Wiley-Interscience.
• Keçek, G., & Cinser, V. (2008). Türkiye’de Faaliyette Bulunan Ticaret Bankala- rının Performanslarına Göre Sınıflandırılmasında Etkili Olan Değişkenlerin Be- lirlenmesi ve Bir Uygulama Denemesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (22).
• Kirt, T., Vainik, E., & Võhandu, L. (2007). A method for comparing self- organizing maps : case studies of banking and linguistic data Self-organizing Map. Local Proceedings of ADBIS, 107–115.
• Kohonen, T. (2001). The self-organizing map. Springer Berlin.
• 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.
• Martin-del-Brio, B., & Serrano-Cinca, C. (1993). Self-organizing Neural Net- works for the Analysis and Representation of Data : Some Financial Cases, 193–206.
• Mehrotra, K., Mohan, C. K., & Ranka, S. (1996). Elements of artificial neural networks. MIT Press
• Mishkin, F. S., & Eakins, S. G. (2015). Financial Markets and Institutions (Eighth). Boston: Pearson Education.
• Murtagh, F. (2016). A Brief History of Cluster Analysis. In C. Hennig, M. Me- ila, F. Murtagh, & R. Rocci (Eds.), Handbook of Cluster Analysis (pp. 21–33). Florida: Taylor & Francis.
• Özçalıcı, M. (2017). Özdüzenleyici Haritalar Yardımıyla Piyasa Bölümlendirme- si : Türkiye İkinci El Otomobil Piyasası Örneği. Eskişehir Osmngazi Üniversitesi İİBF Dergisi, 12(2), 23–36.
• Sarlin, P., & Eklund, T. (2013). Financial performance analysis of European banks using a fuzzified Self-Organizing Map, 17, 223–234.
• Sayılgan, G. (2013). İşletme Finansmanı: Soru ve Yanıtlarıyla. Ankara: Siyasal Kitabevi.
• 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.
• 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.
• Tütkiye Bankalar Birliği, (2018). Banka Bilgileri, tbb.org.tr.
• Uludağ, İ., & Arıcan, E. (1999). Finansal Piyasalar Ekonomisi (Piyasalar-Kurum- lar-Araçlar). İstanbul: Beta Yayınlları.
• Vagizova, V., Lurie, K., & Ivasiv, I. (2014). Clustering of Russian banks : bu- siness models of interaction of the banking sector and the real economy, 12(1).
• Wierzchon, S. T., & Klopotek, M. A. (2018). Modern Algorithms of Cluster Analysis. Cham: Springer International Publishing.