Şirketlerin Yatırımcı Sunumlarının Metin Madenciliği ve Görsel Analiz Yöntemiyle İncelenmesi

Öz

Çalışmanın amacı, veriye dayalı yaklaşımla, Türk şirketlerinin yatırımcı sunumlarının söylem ve biçim olarak nasıl bir dönüşüm geçirdiğini ortaya koymaktır.  2015–2025 döneminde BIST 30’da yer alan Türk şirketlerinin yatırımcı sunumlarını metinsel, duygusal ve görsel boyutlarıyla birlikte incelemektedir. Araştırmada 649 yatırımcı sunumu incelenmiştir. Metinler ön işleme sürecinden geçirilmiş; BERTopic ile konu modellemesi, BERT tabanlı bir model ile duygu analizi yapılmış ve sunumların görsel özellikleri değerlendirilmiştir. Bulgular, borç, nakit akışı ve maliyet baskısı temalarının tüm dönemde en belirgin konular olarak yer aldığını göstermekte, yenilenebilir enerji, üretim altyapısı ve dijitalleşme gibi temalar ise özellikle 2020 sonrası dönemlerde net bir yükseliş sergilemektedir. Finansal zorluklarla ilişkili temalar açıkça olumsuz bir dille ifade edilirken, sürdürülebilirlik ve yatırım odaklı mesajlar istikrarlı ve olumlu bir tonla çerçevelenmiştir. Görsel analiz ise zaman içinde yatırımcı sunumlarının daha koyu arka planlara ve daha yoğun metin bloklarına doğru kaydığını ortaya koymaktadır.  Yöntemsel açıdan çalışma, Türkçe kurumsal belgelerde metin–duygu–görsel bütünleşik analiz yaklaşımını uygulayan ilk araştırmalardan biri olması nedeniyle literatüre özgün bir katkı sunmaktadır.

Anahtar Kelimeler

• Metin madenciliği
• BERT
• kurumsal iletişim
• görsel analiz
• duygu analizi

Text Mining and Visual Analysis Method for Examining Companies' Investor Presentations

Abstract

The aim of this study is to reveal how Türkiye companies' investor presentations have transformed in terms of discourse and form using a data-driven approach. It examines the investor presentations of Turkish companies listed on the BIST 30 between 2015 and 2025 in terms of their textual, emotional and visual dimensions. A total of 649 presentations, underwent a comprehensive pre-processing phase. Topic modelling was performed using BERTopic, sentiment analysis was conducted using a BERT-based model adapted to Turkish, and a formal analysis was carried out based on visual criteria such as brightness and text density. The findings show that themes such as debt, cash flow, and cost pressure were the most prominent topics throughout the period, while themes such as renewable energy, production infrastructure, and digitalisation showed a clear rise, particularly after 2020. Themes related to financial difficulties are clearly expressed in negative language, while sustainability and investment-focused messages are framed in a stable and positive tone. Visual analysis reveals that investor presentations have shifted towards darker backgrounds and denser text blocks over time. Methodologically, the study makes a unique contribution to the literature as one of the first to apply an integrated text–sentiment–visual analysis approach to Turkish corporate documents.

Keywords

• Text mining
• BERT
• corporate communication
• visual analysis
• sentiment analysis.

Kaynakça

1. Akerlof, G. A. (1970). The market for “lemons”: Quality uncertainty and the market mechanism. Quarterly Journal of Economics, 84(3), 488–500. https://doi.org/10.2307/1879431
2. Araci, F. E. (2019). FinBERT: Financial sentiment analysis with pre-trained language models. arXiv. https://doi.org/10.48550/arXiv.1908.10063
3. Atan, S. (2020). Metin madenciliği: İmkânlar, yöntemler ve kısıtlar. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (31), 220-239. https://doi.org/10.20875/makusobed.476524
4. Atan, S., ve Çınar, Y. (2019). Borsa İstanbul’da finansal haberler ile piyasa değeri ilişkisinin metin madenciliği ve duygu (sentiment) analizi ile incelenmesi. Ankara Üniversitesi SBF Dergisi, 74(1), 1-34. https://doi.org/10.33630/ausbf.523199
5. Aydın Tuzcuay, S. (2022). Finans sektöründe doğal dil işleme (NLP) ile rapor kümelendirme ve talep bazlı rapor önerileri oluşturma (Yayımlanmamış Yüksek Lisans Tezi). Sakarya Üniversitesi Fen Bilimleri Enstitüsü. Sakarya.
6. Aytekin, Y. E. ve Keskin, Ö. (2019). Türkiye’de faizsiz finans sisteminin duygu analizi bağlamında değerlendirilmesi. Uluslararası İslam Ekonomisi ve Finansı Araştırmaları Dergisi, 5(3), 87-112. https://doi.org/10.25272/ijisef.563164
7. Baier, P., Berninger, M. ve Kiesel, F. (2020). Environmental, social and governance reporting in annual reports: A textual analysis. Financial Markets, Institutions & Instruments, 29(3), 93-118. https://doi.org/10.1111/fmii.12127
8. Beattie, V. ve Jones, M. J. (1992). The use and abuse of graphs in annual reports: Theoretical framework and empirical study. Accounting and Business Research, 22(88), 291–303. https://doi.org/10.1080/00014788.1992.9729444

9. Blei, D. M., Ng, A. Y. ve Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. https://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf
10. Campello, R. J. G. B., Moulavi, D. ve Sander, J. (2013). Density-based clustering based on hierarchical density estimates. J. Pei, V. S. Tseng, L. Cao, H. Motoda ve G. Xu (Ed.), Advances in Knowledge Discovery and Data Mining içinde (ss. 160–172). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-37456-2_14
11. Cornelissen, J. P. (2020). Corporate communication: A guide to theory and practice (6. baskı). SAGE Publications.
12. Çelik, M. ve Aslantaş Ateş, B. (2022). Muhasebe ve denetimde doğal dil işlemenin (NLP) yeri. İşletme Akademisi Dergisi, 3(4), 402-418. https://doi.org/10.26677/TR1010.2022.1165
13. Çelik, Ş. ve Yıldız, B. (2018). Muhasebede analiz yöntemi olarak metin madenciliği. Muhasebe Bilim Dünyası Dergisi, 20(2), 286–315. https://doi.org/10.31460/mbdd.349746
14. Davison, J. (2015). Visualising accounting: An interdisciplinary review and synthesis. Accounting and Business Research, 45(2), 121–165. https://doi.org/10.1080/00014788.2014.987203
15. Devlin, J., Chang, M. W., Lee, K. ve Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies içinde (s. 4171–4186). Association for Computational Linguistics. https://doi.org/10.18653/v1/N19-1423
16. Esen, M. F. ve Tuncalı Yaman, T. (2020). Teknoloji alanında faaliyet gösteren şirketlerin finansal form okunabilirliğinin metin madenciliği teknikleriyle ölçülmesi. Acta Infologica, 4(2), 77-97. https://doi.org/10.26650/acin.815945
17. Grootendorst, M. (2022). BERTopic: Neural topic modeling with class-based TF-IDF. arXiv. https://doi.org/10.48550/arXiv.2203.05794
18. Gupta, A., Dengre, V., Kheruwala, H. A. ve Shah, M. (2020). Comprehensive review of text-mining applications in finance. Financial Innovation, 6(1), 39. https://doi.org/10.1186/s40854-020-00199-y
19. Healy, P. M., ve Palepu, K. G. (2001). Information asymmetry, corporate disclosure, and the capital markets: A review of the empirical disclosure literature. Journal of Accounting and Economics, 31(1–3), 405–440. https://doi.org/10.1016/S0165-4101(01)00018-0
20. Kilimci, Z. H. (2020). Borsa tahmini için derin topluluk modelleri (DTM) ile finansal duygu analizi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(2), 635-650. https://doi.org/10.17341/gazimmfd.501551
21. Koca, G. (2021). Bitcoin üzerine Twitter verileri ile duygu analizi. Anadolu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(4), 19-30. https://doi.org/10.53443/anadoluibfd.988262
22. Li, F. (2008). Annual report readability, current earnings, and earnings persistence. Journal of Accounting and Economics, 45(2-3), 221–247. https://doi.org/10.1016/j.jacceco.2008.02.003
23. Loughran, T. ve McDonald, B. (2011). When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35–65. https://doi.org/10.1111/j.1540-6261.2010.01625.x
24. McInnes, L., Healy, J. ve Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for dimension reduction. arXiv. https://doi.org/10.48550/arXiv.1802.03426
25. Nguyen, B. H. ve Huynh, V. N. (2022). Textual analysis and corporate bankruptcy: A financial dictionary-based sentiment approach. Journal of the Operational Research Society, 73(1), 102-121. https://doi.org/10.1080/01605682.2020.1784049
26. Reimers, N. ve Gurevych, I. (2019). Sentence-BERT: Sentence embeddings using Siamese BERT-networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP) içinde (s. 3982–3992). Association for Computational Linguistics. https://doi.org/10.18653/v1/D19-1410
27. Rodari, G., Poderini, D., Polino, E., Suprano, A., Sciarrino, F. ve Chaves, R. (2024). Characterizing hybrid causal structures with the exclusivity graph approach. arXiv. https://doi.org/10.48550/arXiv.2401.00063
28. Spence, M. (1973). Job market signaling. Quarterly Journal of Economics, 87(3), 355–374.Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139–1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x
29. Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139-1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x.
30. Tokcaer, S. (2021). Türkçe metinlerde duygu analizi. Yaşar Üniversitesi E-Dergisi, 16(63), 1514-1534. https://doi.org/10.19168/jyasar.928843
31. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł. ve Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://papers.nips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html
32. Yıldırım, M. ve Yüksel, C. A. (2017). Sosyal medya ile hisse senedi fiyatının günlük hareket yönü arasındaki ilişkinin incelenmesi: Duygu analizi uygulaması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (22. UPK Ahmet Hamdi İslamoğlu Özel Sayısı), 33-44. https://doi.org/10.18092/ulikidince.352414
33. Yusufoğlu, H., Aydın, H. ve Çetinkaya, A. (2021). Twitter üzerindeki finansal tweetlerin LSTM sinir ağı algoritması ile duygu analizi. Veri Bilimi, 4(3), 28-43. https://izlik.org/JA35CG65CN