A Machine Learning Approach for Cash Dividends’ Forecasting: A Research on Manufacturing Sector

Öz

Dividend payment is a factor that affects investment decisions in capital markets. Although dividend payments indicate past performance of corporate, they also give some clues about company’s future performance. In this study, feasibility of Marsh&Merton (M&M) model is tested in Turkey tried to develop a better model than M&M model by applying machine learning techniques. For this study payout ratios between 2003 and 2012 from 139 manufacturing companies which are quoted on ISE are selected. M&M model and five machine learning models namely Multi-Layer Perception (MLP), Radial Based Function Networks (RBFN), Support Vector Machines (SVM) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) are compared with each other. Generally it is occurred that RBFN models produces similar results with M&M model, MLP models cannot forecast low paid dividend and SVM model executes worse than M&M model. As a result ANFIS model is observed the most successful method in forecasting dividends.

Anahtar Kelimeler

• Cash Dividend Forecasting, Marsh Merton Model, ANFIS, RBFN, MLP, SVM

Nakit Temettü Tahmininde Makine Öğrenmesi Yaklaşımı: İmalat Sektörü Üzerine Bir Araştırma

Öz

Sermaye piyasalarında yapılacak yatırım kararlarını doğrudan etkileyen bir faktör olan temettü dağıtımı, işletmenin geçmiş performansını gösterdiği kadar gelecekteki performansı hakkında da ipuçları vermektedir. Bu çalışmada Türkiye’de halka açık işletmeler tarafından dağıtılan temettülerin tahmininde Marsh&Merton (M&M) modelinin kullanılabilirliğinin test edilmesi ve makine öğrenme tekniklerini uygulayarak, M&M’dan daha iyi bir model geliştirilmesi amaçlanmıştır. Araştırmada nakit dağıtılan temettü oranı tahmininde Borsa İstanbul (BİST)’da işlem gören imalat sektöründeki 139 işletmenin 2003-2012 yılları arasındaki verileri kullanılarak M&M modeli ile makine öğrenme tekniğine dayalı Çok Katmanlı Algılayıcı (Bir ve İki Gizli Katmanlı ÇKA), Radyal Tabanlı Fonksiyon Ağları (RTFA), Destek Vektör Makineleri (DVM) ve Adaptif Sinirsel Bulanık Çıkarsama Sistemleri (ASBÇS) şeklinde beş farklı model karşılaştırılmıştır. Çalışma sonucunda ASBÇS modelinin belli tolerans değerlerinde temettü tahmininde en başarılı makine öğrenme yöntemi olduğu gözlenmiştir. Genel olarak ASBÇS ve RTFA modellerinin M&M modelinden daha iyi performans gösterdiği, ÇKA modellerinin M&M modeline yakın sonuçlar sergilediği, DVM modelinin ise M&M’dan daha kötü sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

• Nakit Temettü Tahmini, Marsh Merton Modeli, ASBÇS, RTFA, ÇKA, DVM