DETERMINATION OF FACTORS AFFECTING BANK PROFITS: COMPARISON OF MULTILINEAR REGRESSION AND GRADIENT BOOSTING REGRESSION METHODS

Year 2022, Volume: 8 Issue: 2, 212 - 224, 31.12.2022

Abdurrahman Coşkuner , Ömer Faruk Rençber

https://doi.org/10.46849/guiibd.1141688

Abstract

Banks have a very important place in the financial system. Like traditional businesses, the main purpose of their activities is to make profits in a sustainable way. The management of financial or human resources in the banking sector is among the factors that directly affect bank profitability. However, which financial ratio affects profitability and at what level has always been a subject of curiosity in the literature.
The aim of this study is to examine the financial ratios that affect bank profitability in comparison with classical and data mining techniques. Accordingly, multiple linear regression analysis and gradient increasing regression tree methods were used. Financially, profitability levels of banks were analyzed in relation with return on assets and return on equity ratios. The factors whose effects on profitability were investigated are as follows; consists of loans received/total assets, capital adequacy ratio, net interest income after provisioning/total assets, consumer loans/total loans, liquid assets/current liabilities, interest income/total income ratios.
The study covers 26 banks operating in Turkey between the years 2010 and 2020. As a result of the study, it has been concluded that the Gradient Enhancing Regression Tree method is more successful than the Multiple Linear Regression analysis method and the most important factors contributing to profitability are the capital adequacy ratio and the net interest income/total assets ratio after provisioning.

Keywords

Bank Profitability, Return on Assets Ratio, Return On Equity Ratio, Multiple Linear Regression Analysis, Gradient Boosting Regression

BANKALARIN KÂRLILIKLARINI ETKİLEYEN FAKTÖRLERİN İNCELENMESİ: ÇOKLU DOĞRUSAL REGRESYON VE GRADYAN ARTIRICI REGRESYON AĞACI YÖNTEMLERİNİN KARŞILAŞTIRILMASI

Abstract

Finansal sistem içerisinde, bankalar oldukça önemli bir yere sahiptir. Geleneksel işletmeler gibi bankalarda da faaliyetlerinin temel amacı sürdürülebilir şekilde kâr elde etmektir. Bankacılık sektöründe finansal veya beşerî kaynakların yönetimi doğrudan banka kârlılığını etkileyen faktörler içerisindedir. Ancak hangi finansal oranın kârlılığı ne düzeyde etkilediği de literatürde daima araştırılan bir merak konusu olmuştur.
Bu çalışmanın amacı; banka kârlılığına etki eden finansal oranları klasik ve veri madenciliği teknikleri ile karşılaştırmalı olarak incelemektir. Buna göre çalışmada çoklu doğrusal regresyon analizi ve gradyan artırıcı regresyon ağacı yöntemleri kullanılmıştır. Finansal anlamda bankaların kârlılık düzeyleri; aktif kârlılık ve özsermaye kârlılık oranları ile incelenmiştir. Kârlılık oranlarına etkisi araştırılan faktörler ise şu şekildedir; alınan krediler/toplam varlıklar, sermaye yeterliliği oranı, karşılık sonrası net faiz geliri/toplam varlıklar, tüketici kredileri/toplam krediler, likit aktifler/kısa vadeli yükümlülükler, faiz gelirleri/toplam gelirler oranlarından oluşmaktadır.
Çalışma,Türkiye’de faaliyet gösteren 26 banka ve 2010 – 2020 yılları arasını kapsamaktadır. Çalışma sonucunda, Gradyan Artırıcı Regresyon Ağacı yönteminin, Çoklu Doğrusal Regresyon analizi yöntemine göre daha başarılı olduğu ve kârlılığa katkı sağlayan en önemli faktörlerin sermaye yeterlilik oranı ve karşılık sonrası net faiz geliri/toplam varlıklar oranı oldukları sonuçlarına ulaşılmıştır.

Keywords

Banka Kârlılık, Aktif Kârlılık Oranı, Özsermaye Kârlılık Oranı, Çoklu Doğrusal Regresyon Analizi, Gradyan Artırıcı Regresyon Ağacı

References

• Afşar, A. (2007), “Finansal Gelişme ile Ekonomik Büyüme Arasındaki İlişki”, Muhasebe ve Finansman Dergisi, (36), 188-198.
• Ahmed, M. M., ve Abdel-Aty, M. (2013), “Application of Stochastic Gradient Boosting Technique to Enhance Reliability Of Real-Time Risk Assessment: Use of Automatic Vehicle İdentification and Remote Traffic Microwave Sensor Data”,Transportation Research Record, 2386(1), 26-34.
• Aka, K. (2019), “Banka Kârlılığının Belirleyicileri: Türk Bankacılık Sektöründeki Katılım Bankaları Üzerine Ampirik Bir Uygulama”, Sosyal Bilimler Araştırma Dergisi, 8 (3), ss.21-39.
• Akgül, Y. (2019), “Çok Kriterli Karar verme Yöntemleriyle Türk Bankacılık Sisteminin 2010-2018 Yılları Arasındaki Performansının Analizi”, Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 4(4), 567-582.
• Akkaya, Ş. ve Pazarlıoğlu, M.V. (2000), Ekonometri I (4. Baskı), İzmir: Anadolu Matbaacılık.
• Alp, A., Ban, Ü., Demirgüneş, H. N. K., ve Kılıç, S. (2010),“Türk Bankacılık Sektöründe Kârlılığın İçsel Belirleyicileri”, İMKB Dergisi, 12(46), 1-13.
• Alpar, R. (2017), “Uygulamalı Çok Değişkenli İstatistiksel Yöntemler”, Ankâra: Detay Yayıncılık.
• Amijaya, D. T., ve Komariah, S. (2020), “Multıple Regressıon: Deteminant on Profıtability at Islamic Commercial Banks in Indonesia”, Dinasti International Journal of Economics, Finance & Accounting, 1(1), 21-30.
• Avder, E. (2012), Maliyet Muhasebesi, Murathan Yayınevi.
• Balaylar, N. A., ve Özdemir, M. O. (2018), “Türkiye’de Yerli Mevduat Bankalarında Sermaye Yeterliliği ve Kârlılık İlişkisi”, Muhasebe ve Denetime Bakış, 18(54), 57-76.
• Batır, T. E., ve Güngör, B. (2016), “Türkiye’de Bankaların Kârlılık Belirleyicilerinin Katılım Bankaları ve Mevduat Bankaları Bazında Karşılaştırılması”, Bankacılar Dergisi, 99, 74-98.
• Boot, A. W. A., ve Thakor, A. V. (1997), “Financial System Architecture”. Review of Financial Studies, 10(3), 693–733.
• Christaria, F., ve Kurnia, R. (2016), “The Impact of Financial Ratios, Operational Efficiency and Non-Performing Loan Towards Commercial Bank Profitability”,Accounting and Finance Review (AFR), Vol, 1(1).
• Çevik, N. K., ve Boran, A. (2020), “Türkiye’de Faaliyet Gösteren Ticaret Bankalarının Kârlılığını Etkileyen İçsel Faktörler: 2005-2016 Yılları Arası Panel Veri Analizi”,Gaziantep University Journal of Social Sciences, 19(4), 1735-1750.
• Çokluk, Ö., Şekercioğlu, G. ve Büyüköztürk, Ş. (2021), Sosyal Bilimler İçin Çok Değişkenli İstatistik SPSS ve LISREL Uygulamaları, Ankara: Pegem Akademi.
• Demirel, E., Atakişi, A., ve Abacıoğlu, S. (2013), “Bankacılık Faaliyet Oranlarının Panel Veri Analizi: Türkiye’deki Kamu, Özel ve Yabancı Sermayeli Bankaların Durumu”, Muhasebe ve Finansman Dergisi, (59), 101-112.
• Demirhan, D. (2010), “Türkiye’deki Mevduat Bankalarının Finansal Yapıya İlişkin Kararlarının Kârlılık Üzerine Etkileri”, Muhasebe ve Finansman Dergisi, (45), 157-168.
• Denis, D. J. (2018), SPSS Data Analysis For Univariate, Bivariate, And Multivariate Statistics, John Wiley&Sons.
• Dietrich, A., veWanzenried, G. (2011), “Determinants of Bank Profitability Before And During TheCrisis: Evidence From Switzerland”,Journalof İnternational Financial Markets, İnstitutions and Money, 21(3), 307-327.
• Erbir, M. (2020),“Özel Sermayeli Mevduat Bankalarında Kârlılığa Etki Eden Faktörler”,Uluslararası Finansal Ekonomi ve Bankacılık Uygulamaları Dergisi, 1(2), 43-62.
• Friedman, J. H. (2001), Greedy function approximation: A gradient boosting machine,Annals of statistics, 1189-1232.
• Gülhan, Ü., ve Uzunlar, E. (2011), “Bankacılık Sektöründe Kârlılığı Etkileyen Faktörler: Türk Bankacılık Sektörüne Yönelik Bir Uygulama”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15(1).
• Ho, W. K., Tang, B. S., ve Wong, S. W. (2021), “Predicting Property Prices With Machine Learning Algorithms”,Journal of PropertyResearch, 38(1), 48-70.
• James, G., Witten, D., Hastie, T. ve Tibshirani, R. (2013), An introduction to statistical learning: With applications in R. New York: Springer.
• Javaid, N. (2022),“Guide dreading: Gradient boosting”, [PowerPoint Sunusu] Slide Share. https://www.researchgate.net/publication/358769543_Gradient_Boosting
• Jeon, Y., ve Miller, S. M. (2004), “The Effect of The Asian Financial Crisis on the Performance of Korean Nation wide Banks”, Applied Financial Economics, 14(5), 351-360.
• Karahanoğlu, I. (2017),“Türk Kalkınma ve Yatırım Bankalarının Aktif Kârlılığını Etkileyen Faktörlerin Belirlenmesi”. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (50), 167-186.
• Mamatzakis, E. C., ve Remoundos, P. C. (2003), “Determinants of Greek Commercial Banks Profitability”, 1989-2000. Spoudai, 53(1), 84-94.
• Mete, S., (2021). Doğrusal ve eğrisel (polinoma) regresyon analizi, In Ö.F. Rençber (Ed.), Veri Madenciliğinde Kullanılan Regresyon Modelleri ve R İle Uygulamalı Örnekler (11-33. Ss.). Nobel Akademik Yayıncılık.
• Miller, S. M., veNoulas, A. G. (1997), “Portfolio Mixand Large-Bank Profitability in the USA”, Applied Economics, 29(4), 505-512.
• Naceur, S. B. (2003), “The Determinants of The Tunisian Banking İndustry Profitability: Panel Evidence”, Universite Libre de Tunis working papers, 10, 2003.
• Owoputi, J. A., Olawale, F. K., ve Adeyefa, F. A. (2014), “Bank Specific, İndustry Specific and Macroeconomic Determinants of Bank Profitability in Nigeria”,European scientific journal, 10(25).
• Sayilgan, G., ve Yildirim, O. (2009), “Determinants of Profitability in Turkish Banking Sector: 2002-2007”, International Research Journal of Finance and Economics, 28, 207-214.
• Targan, Ü. (1996), Finans kesiminin reel sektöre kaynak yaratma kapasitesi, İstanbul Ticaret Odası Yayını, 31.
• Türkdönmez, C. S., ve Babuşcu, Ş. (2019), “Bankaların Kârlılık Performansını Etkileyen Faktörler”, Başkent Üniversitesi Ticari Bilimler Fakültesi Dergisi, 3(1), 37-54.
• Türkiye Bankalar Birliği. (2022, Mayıs), İstatistiki Raporlar. https://www.tbb.org.tr/tr/bankacilik/banka-ve-sektor-bilgileri/istatistiki-raporlar/59
• Vong, P. I., ve Chan, H. S. (2009), “Determinants of Bank Profitability in Macao”, Macau Monetary Research Bulletin, 12(6), 93-113.
• Ye, J., Chow, J. H., Chen, J., ve Zheng, Z. (2009), ”Stochastic Gradient Boosted Distributed Decision Trees”,In Proceedings of the 18th ACM conference on Information and knowledge management (pp. 2061-2064).