ANALYSIS OF TURKISH TEXTILE SECTOR WITH SELF ORGANIZING MAPS METHOD: AN APPLICATION ON THE COMPANIES IN BORSA İSTANBUL

Öz

The users of the financial statements need financial analysis to be able to make decisions on various financial issues such as credit, investment, and management. However the accessibility and complexity of financial data as well as the limitations of analytical techniques prevent information users from getting optimal benefit from the available data they use. Methods as statistical methods and artificial neural networks are used to overcome this situation and to increase the efficiency of financial analysis. The aim of this study is to reveal the relationship between the financial performance and stock returns of corporations operating in the textile sector, and the financial structure of the textile sector by using the SOM (Self Organizing Maps) algorithm. For this purpose, the annual financial statements of the 16 corporations trading on the Istanbul Stock Exchange and operating in the textile sector were analyzed with SOM algorithm between 2013-2018. The findings revealed that the corporations with the highest stock returns in the sector have high activity ratios with low liquidity ratios and positive margins with high leverage ratios. Furthermore, the companies with the lowest stock returns in the sector have low liquidity and activity ratios and negative profitability with high leverage ratios.

Anahtar Kelimeler

• Financial analysis
• Self Organizing Maps algorithm
• Textile sector

KENDİNİ ÖRGÜTLEYEN HARİTALAR ALGORİTMASI YÖNTEMİYLE TÜRKİYE DOKUMA SEKTÖRÜNÜN ANALİZİ: BİST ŞİRKETLERİ ÜZERİNE BİR UYGULAMA

Öz

Finansal bilgi kullanıcıları; kredi, yatırım ve yönetim gibi çeşitli finansal konularda doğru kararlar alabilmek için finansal analize ihtiyaç duymaktadır. Ancak finansal verilerin ulaşılabilirliği ve karmaşıklığı, analiz tekniklerinin sınırlılıkları; bilgi kullanıcılarının sahip oldukları mevcut bilgilerden yüksek fayda sağlayabilmelerine engel olmaktadır. Bu durumun üstesinden gelmek ve finansal analizin etkinliğini artırmak amacıyla istatistiksel yöntemler ve yapay sinir ağları gibi yöntemlere başvurulmaktadır. Bu çalışmanın amacı, dokuma sektöründe faaliyet gösteren şirketlerin finansal performansları ile hisse senedi getirileri arasındaki ilişkinin ve sektörün finansal yapısının, KÖH (Kendini Örgütleyen Haritalar) algoritması yöntemiyle ortaya konulmasıdır. Bu amaçla, Borsa İstanbul’da işlem gören ve faaliyetlerini dokuma sektöründe sürdüren 16 şirketin 2013-2018 yılları arasındaki yıllık finansal tabloları, KÖH algoritması yardımıyla analiz edilmiştir. Yapılan çalışmada, sektörün en yüksek hisse senedi getirilerine sahip şirketlerin düşük likidite oranlarıyla birlikte yüksek faaliyet oranlarına ve yüksek kaldıraç oranlarıyla birlikte pozitif kâr marjlarına sahip olduğu sonucuna ulaşılmıştır. Sektörün en düşük hisse getirilerine sahip şirketlerin ise düşük likidite ve faaliyet oranlarına ve yüksek kaldıraç oranlarıyla birlikte negatif kârlılığa sahip olduğu sonucu elde edilmiştir.

Anahtar Kelimeler

• Finansal analiz
• Kendini Örgütleyen Haritalar algoritması
• Dokuma sektörü

Kaynakça

1. Basu, S. (1977), “Investment Performance of Common Stocks in Relation to Their Price Earnings Ratios: A Test of the Efficient Market Hypothesis”, The Journal of Finance, 32(3), 663-682.
2. Chan, L.K.C., Y. Hamao, J. Lakonishok (1991), "Fundamentals and Stock Returns in Japan”, The Journal of Finance, 46(5), 1739-1764.
3. Deboeck, G., T. Kohonen (1998), Visual Explorations İn Finance With Self Organizing Map, Londra: Springer.
4. Edler, L. (2007), Analysing Economic Data with Self Organizing Maps, Yayıyımlanmamış Doktora Tezi, Kiel: University of Kiel, Faculty of Economics, Business, and Social Sciences.
5. Ekergil, V., A.A. Karagül, E. Germen (2007), “Özörgütlemeli Haritalar Tekniğinin Türkiye’deki Çimento Şirketlerinin Likit Yapısının Analiz Edilmesinde Kullanılması”, İktisat İşletme ve Finans, 22(261), 114-136.
6. Eklund, T., B. Back, H. Vanharanta, A. Visa (2001), “Benchmarking International Pulp and Paper Companies Using Self-Organizing Maps”, Paper and Timber, 83(4), 304- 316.
7. Haykin, S.O. (2008), Neural Networks and Learning Machines (3rd Edition), New Jersey: Pearson.
8. Kolari, J. W., I.P. Sanz (2017), Systemic Risk Measurement in Banking Using Self-Organizing Maps, Journal of Banking Regulation, 18, 338-358.

9. Marghescu, D. (2007), “Multi-Dimensional Data Visualization Techniques for Exploring Financial Performance Data”, 13th Americas Conference on Information Systems 2007, Colorado, Amerika Birleşik Devletleri, 507-518.
10. Martikainen, T. (1989), “Modelling Stock Price Behaviour by Financial Ratios” Decions Economics and Finance, 12(1), 119-138.
11. Ou, J.A., S.H. Penman (1989), “Financial Statement Analysis and Prediction of Stock Returns Using Financial Statement Information”, Journal of Accounting & Economics, 11(4), 295-329.
12. Özçalıcı, M. (2016), “Hisse Senetlerinin Özdüzenleyici Haritalarla Kümelendirilmesi: BIST50 Endeksinde Yer Alan Hisseler Üzerine Bir Uygulama” İstanbul Üniversitesi İşletme Fakültesi Dergisi, 45(1), 22-33.
13. Özçalıcı, M. (2017), “Özdüzenleyici Haritalar Yöntemi ile Bankacılık Sektörü Piyasa Bölümlendirmesi”, BDDK Bankacılık ve Finansal Piyasalar Dergisi, 11(2), 9-30.
14. Özçalıcı, M., M. Bumin (2020), “An Integrated Multi-Criteria Decision Making Model with Self-Organizing Maps for the Assessment ff Performance Publicly Trade Banks in Borsa İstanbul”, Applied Soft Computing Journal, 90(2020), 1-23.
15. Özşahin, M., O.H. Yüregir (2012), “Otomotiv Sektörünün Kendini Örgütleyen Haritalar ile Finansal Analizi”, Çukurova Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 28(2), 155-164.
16. Priddy, K., L., P.E. Keller (2005), Artificial Neural Networks: An Introduction, Washington: SPIE Press.
17. Serrano-Cinca, C. (1996), “Self Organizing Neural Networks for Financial Diagnosis”, Decision Support Systems, 17(3), 227-238.
18. Serrano-Cinca, C. (1998), “Let Financial Data Speak for Themselves” in G. Deboeck ve T. Kohonen (editörler), Visual Explorations in Finance with Self Organizing Map, Londra: Springer, 3-23.
19. Silva, B., N. Marques (2010), “Feature Clustering with Self-Organizing Maps and an Application to Financial Time-Series for Portfolio Selection”, International Conference on Neural Computation 2010, Valensiya, İspanya, 301-309.
20. Vesanto, J., J. Himberg, E. Alhoniemi, J. Parhankangas, (2000), SOM Toolbox for Matlab 5, Espoo: SOM Toolbox Team Helsinki University of Technology.
21. Yörek, N., İ, Uğulu, H. Aydın, (2016), “Using Self-Organizing Neural Network Map Combined with Ward’s Clustering Alghorithm for Visualization of Students’ Cognitive Structural Models about Aliveness Concept”, Computational Intelligence and Neuroscience, 2016 (2016), 1-14 https://www.hindawi.com/journals/cin/2016/2476256/, E.T.: 15.03.2018.