İşletme Nakit Akışları ile Net Döviz Pozisyonu Arasındaki İlişki: BIST 100 Endeksi Üzerine Makine Öğrenmesi Sınıflandırma Algoritmaları Uygulaması

Öz

Ülkemizde son yıllarda artan döviz kuru neticesinde, işletmelerin yabancı paraya bağlı varlık ve kaynaklarındaki değişimlerin etkisi de artmaktadır. Yabancı paraya bağlı varlık ve yükümlülüklerin farkı ile ortaya çıkan “Döviz Pozisyonu” kavramı, birçok makro ve mikro unsurdan etkilenmekte ve işletmeden ekonomik değer çıkışına sebep olmaktadır. Çalışmanın amacı, nakit akış tablolarındaki bilgiler ile net döviz pozisyonu arasındaki ilişkinin araştırılması ve sonrasında nakit akışlarından oluşan veri seti ile net döviz pozisyonu durumunun sınıflandırma algoritmaları ile test edilmesidir. Borsa İstanbul (BIST) 100 Endeksi’nde yer alan ve finans sektörü dışında kalan işletmeler, çalışmanın kapsamını oluşturmaktadır. Veriler arasında ilişkinin ölçümü için “Çoklu Doğrusal Regresyon” modelinden; sınıflandırma için ise, K-En Yakın Komşu (KNN), Rastgele Orman, Destek Vektör Makineleri (SVM), Karar Ağacı ve Naive Bayes algoritmalarından faydalanılmıştır. Yapılan analiz kapsamında yatırım faaliyetlerinden olan nakit akışları dışında kalan diğer verilerin, net döviz pozisyonuna etkisinin anlamlı olduğu görülmüştür. Sınıflandırma algoritmaları uygulamasında ise, net döviz pozisyonu negatif olan işletmelerdeki sınıflandırma başarısının, pozitif olan işletmelere göre yüksek olduğu ortaya çıkmıştır.

Anahtar Kelimeler

• Nakit Akış Tablosu
• Net Döviz Pozisyonu
• Makine Öğrenmesi
• BIST 100
• Sınıflandırma Algoritmaları

The Relationship Between Corporate Cash Flows and Net Foreign Exchange Position: Application of Machine Learning Classification Algorithms on BIST 100 Index

Öz

As a result of the increasing exchange rate in our country in recent years, the effect of the changes in the foreign currency assets and resources of enterprises is also increasing. The concept of “Foreign Currency Position”, which is the difference between assets and liabilities denominated in foreign currencies, is affected by many macro and micro issues and it causes economic value outflow from the entity. The purpose of the article is to analyze the relationship between the information in the cash flow statements and the net foreign currency position, and then to examine the net foreign currency position with the data set consisting of cash flows by using classification algorithms. The scope of the study includes the enterprises in the Borsa İstanbul (BIST) 100 Index, excluding the financial sector. “Multiple Linear Regression” model was used to measure the relationship between the data and K-Nearest Neighbors (KNN), Random Forest, Support Vector Machines (SVM), Decision Tree and Naive Bayes algorithms were used for classification. Within the scope of the analysis, it has been observed that the effect of other data other than cash flows from investing activities on the net foreign currency position is significant. In the application of classification algorithms, it was found that the classification success of enterprises with negative net foreign exchange position was higher than that of enterprises with positive net foreign exchange position.

Anahtar Kelimeler

• Cash Flow Statement
• Net Foreign Currency Position
• Machine Learning
• BIST 100
• Classification Algorithms

Kaynakça

1. Ahmed, L. (2015). The effect of foreign exchange exposure on the financial performance of commercial banks in Kenya. International Journal of Scientific and Research Publications, 5(11), 115-120.
2. Akar, Ö. ve Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, (106), 139-146. doi: 10.9733/ 241212.
3. Akçetin, E. ve Çelik, U. (2014). İstenmeyen elektronik posta (spam) tespitinde karar ağacı algoritmalarının performans kıyaslaması. Journal of Internet Applications and Management, 5(2), 43-56. doi: 10.5505/iuyd.2014.43531.
4. Alfaro, L., Calani, M. ve Varela, L. (2021). Currency hedging: Managing cash flow exposure. NBERWorking Paper No. 28910. doi: 10.2139/ssrn.3866343.
5. Ali, U., Ormal, L. ve Ahmad, F. (2018). Impact of free cash flow on profitability of the firms in automobile sector of Germany. Journal of Economics and Management Sciences, 1(1), 57-67. doi: 10.31841/KJEMS.2021.93.
6. Andriyani, K., Marwa, T., Adnan, N. ve Muizzuddin, M. (2020). The determinants of foreign exchange reserves: Evidence from Indonesia. The Journal of Asian Finance, Economics and Business, 7(11), 629-636. doi:10.13106/jafeb.2020.vol7.no11.629.
7. Aydın, C. (2018). Makine öğrenmesi algoritmaları kullanılarak itfaiye istasyonu ihtiyacının sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (14), 169-175. doi: 10.31590/ejosat.458613.
8. Ayhan, S. ve Erdoğmuş, Ş. (2014). Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.

9. Barakalı, O. C. ve Elmas, B. (2022). Kur riskinin piyasa değerine etkisi: Borsa İstanbul’da bir analiz. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 27(2), 277-289.
10. Bartram, S. M. (2008). What lies beneath: Foreign exchange rate exposure, hedging and cash flows. Journal of Banking & Finance, 32(8), 1508-1521. doi: 10.1016/j.jbankfin.2007.07.013.
11. Beyazgül, M. ve Karadeniz, E. (2019). Futbol kulüplerinin nakit akış profillerinin analizi: uluslararası bir karşılaştırma. Muhasebe ve Vergi Uygulamaları Dergisi. 12 (3), 605-624. doi: 10.29067-muvu.559877-803596
12. Bozkır, B. ve Ataman, B. (2023). BIST perakende şirketlerinin TMS 7 nakit akış tablosu kapsamında finansal performanslarının gri ilişkisel analiz yöntemi ile ölçülmesi. Muhasebe Bilim Dünyası Dergisi, 25(2), 236-255. doi: 10.31460/mbdd.1149326.
13. Coşkun, C. ve Baykal, A. (2011). Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması. Akademik Bilişim, 2011, 1-8. doi: 10.31460-mbdd.1149326-2559601.
14. Dereköy, F. (2020). Nakit akış tablosu ile likidite oranları ilişkisi: Borsa İstanbul KOBİ sanayi işletmeleri üzerine bir araştırma. İşletme Araştırmaları Dergisi, 12(4), 3505-3517. doi: 10.20491/isarder.2020.1055.
15. Düzer, M. (2023). Nakit akış profilleri ve işletme yaşam döngüsü özellikleri: kâğıt ve kâğıt ürünleri basım sektöründe bir araştırma. Muhasebe Bilim Dünyası Dergisi, 25(MODAVICA Özel Sayısı), 380-412.
16. Gafurova, U. (2015). The impact of cash flow on the effectiveness of financial means. The advanced Science Journal, 1(3), 79-83. Doi: 10.15550/ASJ.2015.03.079.
17. Gup, B. E., Samson, W. D., Dugan, M. T., Kim, M. J. ve Jittrapanun, T. (1993). An analysis of patterns from the statement of cash flows. Financial Practice and Education, 3(2), 73-79.
18. Güleç, Ö. F. ve Arda, I. (2019). Investigation of cash flow profiles: evidence from turkey. Journal of Accounting & Finance/Muhasebe ve Finansman Dergisi.555-568. doi: 10.25095/mufad.607209.
19. Güvemli, B., Taysı, K. ve Saygı, N. (2021). Nakit akışlarının hisse senedi getirileri ve özkaynak karlılığı üzerindeki etkileri: türkiye sigorta endeksi örneği. Muhasebe ve Finansman Dergisi, 233-248. doi: 10.25095/mufad.939402.
20. Huefner, R. J., Ketz, J. E. ve Largay III, J. A. (1989). Foreign currency translation and the cash flow statement. Accounting Horizons, 3(2), 66.
21. Ikechukwu, O., Nwakaego, D. A. ve Celestine, A. (2015). The Effect of cash flow statement on companies profitability (A study of some selected banks in Nigeria). African Journal of Basic & Applied Sciences, 7(6), 350-356. doi: 10.5829/idosi.ajbas.2015.7.6.1156.
22. Isramaulina, I. ve Ismaulina, I. (2021). Foreign Exchange Reserves And Other Factors Affecting The Indonesian Economy (Period 2014-2018). E-Mabis: Jurnal Ekonomi Manajemen dan Bisnis, 22(1), 62-70. doi:10.29103/e-mabis.v22i1.656.
23. Itan, I. ve Riana, W. (2021). The impact of cash flow statement on firm value in Indonesia. In Forum Ekonomi: Jurnal Ekonomi, Manajemen Dan Akuntansi (Vol. 23, No. 3, pp. 442-453).
24. Kahraman, Y.E. ve Tepeli, Y. (2023). Yabancı Paranın Finansal Başarısızlık Üzerindeki Etkisinin İncelenmesi: Bıst Şirketleri Üzerine Ampirik Bir Çalışma. Journal of Emerging Economies and Policy, 8(1) 316-324.
25. Kamran, M. R., Zhao, Z., & Ambreen, S. (2017). Free cash flow impact on firm’s profitability: An empirical indication of firms listed in KSE, Pakistan. European Online Journal of Natural and Social Sciences, 6(1), pp-146.
26. Kamuyu Aydınlatma Platformu (KAP). (2024). Erişim Adresi: https://www.kap.org.tr/
27. Kamu Gözetimi Muhasebe ve Denetim Standartları Kurumu. (2024). TMS 7 Nakit Akış Tablosu Standardı. Erişim Adresi: https://www.kgk.gov.tr, (28.05.2024).
28. Kamu Gözetimi Muhasebe ve Denetim Standartları Kurumu. (2024). TFRS 7 Finansal Araçlar: Açıklamalar Standardı. Erişim Adresi: https://www.kgk.gov.tr, (05.05.2024).
29. Kılıç, S. (2013). Doğrusal regresyon analizi. Journal of Mood Disorders, 3(2), 90-92. doi:10.5455/jmood.20130624120840.
30. Kılınç, D., Borandağ, E., Yücalar, F., Tunalı, V., Şimşek, M. ve Özçift, A. (2016). KNN algoritması ve R dili ile metin madenciliği kullanılarak bilimsel makale tasnifi. Marmara Fen Bilimleri Dergisi, 28(3), 89-94. doi:10.7240/mufbed.69674.
31. Liman, M. ve Mohammed, A. (2018). Operating cash flow and corporate financial performance of listed conglomerate companies in Nigeria. Journal of Humanities and Social Science, 23(2), 1-11. doi: 10.9790/0837-2302110111.
32. Mahesh, B. (2020). Machine learning algorithms-a review. International Journal of Science and Research (IJSR). 9(1), 381-386. doi: 10.21275/ART20203995.
33. Maxim, L. G. ve Bărbuță-Mișu, N. (2021). The Cash Flows Impact on the Financial Performance of Romanian Retail Companies. Annals of the University Dunarea de Jos of Galati: Fascicle: I, Economics & Applied Informatics, 27(2). doi: 10.9790/0837-2302110111.
34. Mulford, C. W. ve De Mesa, D. (2012). The Free Cash Profıle: Insıght Into The Cash Flow Implıcatıons Of Growth An Analysıs Usıng 2011 Data Executıve Summary. https://repository.gatech.edu/bitstream/handle/1853/39322/gatech_finlab_freecashprofile_28apr2011.pdf?sequence=1&isAllowed=y (15.04.2024).
35. Muthupandian, K. S. (2008). IFRS 7 financial ınstruments: disclosures-a closer look. Germany. https://mpra.ub.uni-muenchen.de/36723/1/MPRA_paper_ 36723.pdf, (02.04.2024).
36. Noor, M. I., Nour, A., Musa, S. ve Zorqan, S. (2012). The role of cash flow in explaining the change in company liquidity. Journal of Advanced Social Research, 2(4), 231-243.
37. Onan, A. (2017). Twitter mesajları üzerinde makine öğrenmesi yöntemlerine dayalı duygu analizi. Yönetim Bilişim Sistemleri Dergisi, 3(2), 1-14.
38. Papaioannou, M. G. (2006). Exchange rate risk measurement and management: Issues and approaches for firms. South-Eastern Europe Journal of Economics, 2, 129-146.
39. Parlak, M. S., & Kayri, M. (2022). Öğretmenlerin e-öğrenme hazırbulunuşluk düzeylerini etkileyen faktörlerin rastgele orman algoritması yöntemi ile incelenmesi. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 19(3), 670-696. doi: 10.33711/yyuefd.1117068.
40. Potur, E. A. ve Erginel, N. (2021). Kalp yetmezliği hastalarının sağ kalımlarının sınıflandırma algoritmaları ile tahmin edilmesi. Avrupa Bilim ve Teknoloji Dergisi, (24), 112-118. doi: 10.31590/ejosat.902357.
41. Sayed, Z. B. ve Gayathri, J. (2023). Factors Determining the Exchange Rate Exposure of Firms: Evidence from India. Business Perspectives and Research, 11(2), 210-226. doi: 10.1177/22785337211033766.
42. Sejuti, Z. A. ve Islam, M. S. (2023). A hybrid CNN–KNN approach for identification of COVID-19 with 5-fold cross validation. Sensors International, 4, 100229. doi: 10.1016/j.sintl.2023.100229.
43. Sulasmiyati, S. (2019). Factors associated with foreign exchange reserves in Indonesia, 2006–2016. In Annual International Conference of Business and Public Administration (AICoBPA 2018) (pp. 217-220). Atlantis Press.
44. Türkiye Cumhuriyet Merkez Bankası (TCMB). (2012). Türkiye’nin Net Döviz Pozisyonu. Ekonomi Notları. https://www.tcmb.gov.tr/wps/wcm/connect/4f3be716-6885-43c5-b1bf-56157815eedd/EN1227eng.pdf?MOD=AJPERES&CACHEID=ROOTWORKSPACE-4f3be716-6885-43c5-b1bf-56157815eedd-m3fw5bZ (Erişim Tarihi: 23.04.2024).
45. Türkiye Cumhuriyet Merkez Bankası (TCMB). İstatistik Genel Müdürlüğü https://www.tcmb.gov.tr/wps/wcm/connect/c464c4ba-6989-4f33-a427-476183ba36cf/metodoloji.pdf?MOD=AJPERES&CACHEID=c464c4ba-6989-4f33-a427-476183ba36cf (Erişim Tarihi: 23.04.2024).
46. Uygurtürk, H. ve Vargün, H. (2018). Nakit akışı ile karlılık arasındaki ilişki: taşıt araçları sektörü üzerine bir araştırma. Muhasebe Bilim Dünyası Dergisi, 20(3), 705-727. doi: 10.31460/mbdd.384065-545875.
47. Ünal, C., & Erbuğa, G. S. (2024). Detection and prevention of medical fraud using machine learning. Acta Infologica, 8(2), 100-117. https://doi.org/10.26650/acin.1463879
48. Wadesango, N., Tinarwo, N., Sitcha, L. ve Machingambi, S. (2019). The impact of cash flow management on the profitability and sustainability of small to medium sized enterprises. International Journal of Entrepreneurship, 23(3), 1-19.
49. Yıldız, B. ve Yılmaz, T. (2022). Yabancı para pozisyonunun firma kârlılığına etkisi: Borsa İstanbul örneği. Ordu Üniversitesi Sosyal Bilimler Enstitüsü Sosyal Bilimler Araştırmaları Dergisi, 12(2), 1399-1418.
50. Yıldız, F., İsmailoğlu, Y., Toptan, M. ve Yanık, A. (2023). The effect of foreign exchange differences on the statement of cash flow analytical study. Recep Tayyip Erdoğan Üniversitesi Sosyal Bilimler Dergisi, 10(1), 144-162. doi:10.34086/rteusbe.1288822.