Türk Bankacılık Sektöründe Finansal Güç Derecesine Sahip Olan Bankaların Kantitatif Verilerinin İstatistiksel Analizi

Abstract

Finansal güç derecelendirmesi, bir bankanın temel gücünü ortaya koyabilmek amacıyla bankanın finansal rasyoları, marka değeri, faaliyetlerinin ve varlıklarının çeşitliliği incelenerek yapılan bir derecelendirme türüdür. 1995 yılından beri sadece Moody’s firması tarafından yapılan bu derecelendirme ile bankaların içsel güçleri ortaya konulmaya çalışılmaktadır. Bu çalışmada, bankaların finansal güç derecelerini tahmin etmek amacıyla bir model geliştirilmiştir. Türk bankacılık sektöründe faaliyet gösteren ve Moody’s tarafından derecelendirilen bankaların 2007-2010 yılına ait dereceleri ve bilanço verileri kullanılmıştır. Finansal güç derecelerinin bağımlı değişken olduğu çalışmada, istatistiksel teknikler ve yapay sinir ağı teknikleri kullanılarak söz konusu tekniklerin sınıflandırma ve tahmin performansları ortaya koyulmuştur. Küresel kriz ortamında yaşanan banka iflaslarına karşın sağlam duran Türk bankacılık sektörünün genel görünümü ortaya koyulurken, yine bu dönemde Moody’s firmasının eleştiri alan derecelendirme sistematiği de ortaya koyulmuştur. Çalışmada Moody’s in derecelendirme sonuçlarını en iyi tahmin eden tekniğin geri yayılım algoritmasıyla eğitilmiş ileri beslemeli yapay sinir ağları modeli olduğu tespit edilmiştir.

Keywords

• Finansal Güç Derecesi, Derecelendirme, Yapay Sinir Ağı, Bankacılık

References

1. AKTÜKÜN, Leyla Aylin, Kantitatif Karar Verme Yöntemleri, Ġstanbul, Filiz Kitapevi,2010.
2. ALTMAN, Edward I., “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”, The Journal of Finance, Vol.23, No.4(Sep., 1968), s.589-609.
3. BABUġÇU, ġenol – HAZAR, Adalet, SPK Kredi Derecelendirme Uzmanlığı Sınavlarına Hazırlık, Kredi Derecelendirme (Rating) ve Finans, Ankara, Akademi, 2007.
4. BAYIR, Hülya, "Kredi Derecelendirilme ġirketleri ve Ġlgili Düzenlemeler",YaklaĢım Dergisi, www.yaklasim.com/mevzuat/dergi/read_frame.asp?file_name=2007049 174.htm, EriĢim Tarihi (21 Haziran 2010).
5. BOYACIOĞLU, Melek Acar, “Bankalarda Derecelendirme (Rating) ve Türk Bankacılık Sektörü Üzerine Ampirik Bir ÇalıĢma”, Selçuk Üniversitesi Sosyal Bilimler Enstitüsü, 2003, (YayınlanmamıĢ Doktora Tezi).
6. CANDAN, Hasan - ÖZÜN, Alper, Bankalarda Risk Yönetimi ve Basel II, Ġstanbul: Sena Ofset Basım, 2009.
7. DIMITRIADOU Evginia ve diğerleri, e1071:Misc Functions of the Department of Statistics(e1071), http://CRAN.R-project.org/package=e1071 , EriĢim Tarihi (10.07.2011),
8. DUTTA S. – SHEKHAR S., “Bond Rating: A Non Conservative Application of Neural Networks”, Proceedings of the IEEE International Conference on Neural Networks, Vol.2, 1988, ss.443-450.

9. FĠSHER, Lawrence, “Determinants of Risk Premiums on Corporate Bonds”, Journal of Political Economy, Vol. 67, No. 3 (Jun.,1959), s. 217-237.
10. FRĠSTCH, Stefan – GUENTHER, Frauke, Neuralnet: Training of neural Networks, http://CRAN.R-project.org/package=neuralnet, EriĢim Tarihi (11.05.2011)
11. GUNN, Steve R. Support Vector Machines for Classification and Regression, http://scholar.googleusercontent.com/scholar?q=cache:2d0fd8W4V4gJ :scholar.google.com/+support+vector+machine&hl=tr&as_sdt=0&as_v is=1 , EriĢim Tarihi (02.10.2011).
12. HAIR, F. J. ve diğerleri, Multivariate Data Analysis, Fifth Edition, Upper Saddle River, NJ, Prentice Hall Inc., 2006.
13. HAYKIN, Simon, Neural Networks A Comprehensive Foundation,Second Edition, Prentice Hall International,Inc., Upper Saddle River, NJ, 1999.
14. HUANG, Zan ve diğerleri, “Credit rating analysis with support vector machines and neural networks: a market comparative study”,Decision Support Systems, Vol. 37 (2004), s.543-558.
15. ISRAEL, D., Data Analysis in Business Research A Step-by-Step Nonparametric Approach, First Edition, New Delhi, India, Sage Publications, 2008
16. JORION Philippe, Financial Risk Manager Handbook, Second Edition, Hoboken, NJ, John Wiley&Sons Inc., 2003.
17. KETCHEN, David J. Ketchen, Jr. - SHOOK Christopher L., "The Application Of Cluster Analysis In Strategic Management Research: An Analysis and Critique", Strategic Management Journal, Vol.17,1996, s.441-458.
18. KOHONEN, Teuvo, “The self-organizing map”, Neurocomputing, vol.21, 1998, s.1-6. KÖNE, Aylin Çiğdem, "Para-Sermaye Yeniden Yapılandırılması: Türk Özel Bankacılık Sektörü Örneği", Doğuş Üniversitesi Dergisi, 2003, s.233-246.
19. KRUSKAL, William H.- WALLĠS, W.Allen, "Use of Ranks In One-Criterion Variance Analysis", December 1952, Journal Of The American Statistical Association, Volume 47, Number 260, s.583-618.
20. LĠ, Yuangui ve diğerleri, “ Simplify Support Vector Machines by Iterative Learning”, Neural Information Processing-Letters and Reviews, Vol.10,Issue 1, January 2006, s.11.
21. MOODY‟S INVESTOR SERVICE, Moody‟s Rating Symbols and Definitions, http://www.moodys.com/researchdocumentcontentpage.aspx?docid=P BC_79004 , EriĢim Tarihi (5 Ağustos 2011)
22. MOODY‟S INVESTOR SERVICE, http://www.moodys.com/sites/products/AboutMoodysRatingsAttachments/ MoodysRatingsSymbolsand%20Definitions.pdf, EriĢim Tarihi (9 Ağustos 2011)
23. ÖZDAMAR, Kazım, Paket Programlar İle İstatistiksel Veri Analizi 2, 7.Baskı, Kaan Kitapevi, EskiĢehir, 2010.
24. ÖZTEMEL, Ercan, Yapay Sinir Ağları, 2.basım, Papatya Yayıncılık, Ġstanbul, Ekim 2006.
25. POON, Winnie P.H. ve diğerleri, “A multivariate analysis of the determinants of Moody‟s bank financial strength ratings”, Journal of International Financial Markets, Institutions and Money, Vol. 9 (1999), s.267-283.
26. SATMAN, Mehmet Hakan, İstatistik ve Ekonometri Uygulamaları ile R, Ġstanbul, Türkmen Kitapevi, 2010.
27. TÜRKĠYE BANKALAR BĠRLĠĞĠ (TBB), “Bankalarımız”, http://www.tbb.org.tr/tr/Arastirma_ve_Yayinlar/Yayinlar_Detay.aspx , EriĢim Tarihi (4Ağustos 2011)
28. WEHRENS, R.- BUYDENS, L.M.C., “Self- and Super- organising Maps in R: the kohonen package”, Journal of Statistical Software, vol.21 num.5, October 2007, s.1-17.
29. YASLIDAĞ, Beyhan, Kredi Derecelendirme Sistemi, Ġstanbul, Literatür Yayıncılık, 2007. YILMAZ, Celali, Sermaye Piyasasında Vergilendirme, Ankara, SPK, 1995,