An Application for the Use of Machine Learning Algorithms in Company Valuation: The Case of Holding Companies

Year 2024, Volume: 10 Issue: 1, 149 - 175, 26.04.2024

Onur Şeyranlıoğlu , Alper Karavardar

https://doi.org/10.20979/ueyd.1436560

Abstract

The purpose of this study is to determine the factors affecting company value and to demonstrate the applicability of machine learning algorithms Artificial Neural Networks (ANN), Support Vector Machines (SVM), Decision Trees (DT) and Random Forest (RF) as a means of predicting company values of holding companies traded in Borsa Istanbul Investment and Holding Index (BIST XHOLD) in Türkiye by using financial ratios/data based on these factors. Four models were constructed with these algorithms and the predictive power of these models was tested. According to the findings, it was observed that the ANN algorithm produced a stronger prediction of market value based on R2, MAE and RMSE. With this research, the literature on the estimation of company value and prediction of future prices has been analysed, a holistic structure including financial ratios/data has been presented, and a different perspective has been presented to investors and analysts in stock investments and company valuation processes compared to traditional valuation approaches with machine learning algorithms.

Keywords

Company Valuation, Artificial Neural Networks, Support Vector Machines, Decision Trees, Random Forest

Şirket Değerlemesinde Makine Öğrenmesi Algoritmalarının Kullanımına Yönelik Bir Uygulama: Holding Şirketleri Örneği

Abstract

Bu araştırmanın amacı, şirket değerini etkileyen unsurların tespit edilmesi, bu unsurlardan hareketle finansal oranlar/veriler kullanılarak Türkiye’de Borsa İstanbul Yatırım ve Holding Endeksi’nde (BİST XHOLD) işlem gören holding şirketlerinin şirket değerlerini tahmin etme aracı olarak makine öğrenimi algoritmalarından Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Karar Ağaçları (KA) ve Rastgele Orman (RO) ile uygulanabilirliğini ortaya koymaktır. Belirtilen algoritmalar ile dört adet model kurulmuş ve bu modellerin tahmin gücü sınanmıştır. Bulgulara göre piyasa değerini R2, MAE ve RMSE ölçütleri baz alınarak YSA algoritmasının daha güçlü tahmin ürettiği görülmüştür. Bu araştırma ile şirket değerinin tahminine ve gelecek fiyatların öngörüsüne yönelik literatür incelenmiş, finansal oranlar/verileri içeren bütüncül bir yapı ortaya koyularak, yatırımcılara ve analistlere hisse senedi yatırımlarında ve şirket değerleme süreçlerinde makine öğrenimi algoritmaları ile geleneksel değerleme yaklaşımlarına kıyasla farklı bir bakış açısı sunulmuştur.

Keywords

Şirket Değerlemesi, Yapay Sinir Ağları, Destek Vektör Makineleri, Karar Ağaçları, Rastgele Orman

References

• Açıkkar, M. ve Sivrikaya, O. (2020). Yıkanmış Türk Linyit Kömürlerinin Üst Isıl Değerinin Destek Vektör Regresyonu ile Tahmini. Avrupa Bilim ve Teknoloji Dergisi, (18), 16-24.
• Aggarwal, G. ve Singh, L. (2015). Characterization Between Child and Adult Voice Using Machine Learning Algorithm. International Conference on Computing, Communication and Automation (ICCCA), 246-250.
• Akar, Ö. ve Güngör, O. (2012). Rastgele Orman Algoritması Kullanılarak Çok Bantlı Görüntülerin Sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
• Akman, M., Genç, Y. ve Ankaralı, H. (2011). Random Forests Yöntemi ve Sağlık Alanında Bir Uygulama. Türkiye Klinikleri Journal of Biostatistics, 3(1), 36-48.
• Akpınar, H. (2014). Data Veri Madenciliği Veri Analizi, İstanbul: Papatya Yayıncılık.
• Akyüz, K. C. ve Yıldırım, İ. (2019). Finansal Oranlar ve Firma Değeri İlişkisi: Kağıt ve Kağıt Ürünleri Sanayi Sektöründe Bir Uygulama. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 7(3), 1778-1792.
• Albanis , G. ve Batchelor, R. (2007). Combining Heterogeneous Classifiers for Stock Selection. Intelligent Systems in Accounting, Finance an Management, 15, 1-21.
• Alpar, R. (2013). Uygulamalı Çok Değişkenli İstatistiksel Yöntemleri, Ankara: Detay Yayıncılık.
• Altan, M. ve Arkan, F. (2011). Relationship between Firm Value and Financial Structure: A Study on Firms in ISE Industrial Index. Journal of Business & Economics Research, 9(9), 61-66.
• Asiri, B. K. ve Hameed, S. A. (2014). Financial Ratios and Firm's Value in the Bahrain Bourse. Research Journal of Finance and Accounting, 5(7), 1-9.
• Atasever, Ü. H. (2011). Uydu Görüntülerinin Sınıflandırılmasında Hızlandırma (Boosting), Destek Vektör Makineleri, Rastgele Orman (Random Forest) ve Regresyon Ağaçları Yöntemlerinin Kullanılması (Yayımlanmamış Yüksek Lisans Tezi). T.C. Erciyes Üniversitesi: Kayseri.
• Avcı, P. (2019). Holding Firmalarında Değer Tespiti ve Borsa İstanbul'da İşlem Gören Holding ile Bağlı Ortaklık ve İştiraklerin Hisse Senedi Fiyatları Arasındaki İlişkinin Analizi (Yayımlanmamış Doktora Tezi). T.C. Gazi Üniversitesi: Ankara.
• Avcı, P. (2020). Firma Piyasa Değeri için Muhasebe ve Ekonomik Verilerin Analizi: Holding Firma Uygulaması. BMIJ, 8(4), 387-408.
• Ayrıçay, Y. ve Türk, V. E. (2014). Finansal Oranlar ve Firma Değeri İlişkisi: BİST’de Bir Uygulama. Muhasebe ve Finansman Dergisi, (64), 53-70.
• Aytekin, H. T. (2021). Makine Öğreniminin Araştırmacıların Veri Analizi Bağlamında Potansiyel Önemi. Ufuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(19), 85-106.
• Biçen, Ö. F. ve Sezgin, H. (2017). Finansal Oranların Firma Değeri Üzerindeki Etkileri: Borsa İstanbul Bilişim Sektörüne Yönelik Bir Panel Veri Analizi. Yönetim ve Ekonomi Araştırmaları Dergisi, 15(3), 25-41.
• Birgili, E. ve Düzer, M. (2010). Finansal Analizde Kullanılan Oranlar ve Firma Değeri İlişkisi: İMKB'de Bir Uygulama. Muhasebe ve Finansman Dergisi, (46), 74-83.
• Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32.
• Büyükşalvarcı, A. ve Uyar, S. (2012). Farklı Muhasebe Düzenlemelerine Göre Hazırlanan Mali Tablolardan Elde Edilen Finansal Oranlar ile Şirketlerin Hisse Senedi Getirileri ve Piyasa Değerleri Arasındaki İlişki. Muhasebe ve Finansman Dergisi, (53), 25-48.
• Chong, Z., Xinrui, Z. ve Zipei, Y. (2020). Enterprise Investment Value Analysis Based on Machine Learning Model of Rapidminer. Journal of Physics: Conference Series. DMCIT 2020 IOP Publishing.
• Chowdhury, A. ve Chowdhury, S. P. (2010). Impact of Capital Structure on Firm’s Value: Evidence from Bangladesh. Business and Economic Horizons, 3(3), 111-122.
• Çayıroğlu, İ. (2015). Görüntü İşleme 11. Hafta-Yapay Sinir Ağları. http://www.ibrahimcayiroglu.com/Dokumanlar/GoruntuIsleme/Goruntu_Isleme_Ders_Notlari-11.Hafta.pdf (Erişim: 26.04.2022).
• Çomak, E. (2008). Destek Vektör Makinelerinin Etkin Eğitimi İçin Yeni Yaklaşımlar (Yayımlanmamış Doktora Tezi). T.C. Selçuk Üniversitesi: Konya.
• Damodaran, A. (2006). Investment Valuation: Tools and Techniques for Determinig the Value of Any Asset, New Jersey: John Wiley & Sons.
• Damodaran, A. (2011). The Little Book of Valuation: How to Value a Company, Pick a Stock, and Profit, New Jersey: John Wiley & Sons.
• Demirgüneş, K. (2016). Firma Değerinin Finansal Belirleyicileri: Ampirik Bir Analiz. Kastamonu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 11(1), 159-179.
• Detienne, K. B., Detienne, D. H. ve Joshi, S. A. (2003). Neural Networks as Statistical Tools for Business Researchers. Organizational Research Methods, 6(2), 236-265.
• Dondurmacı, G. A. ve Çınar, A. (2014). Finans Sektöründe Veri Madenciliği Uygulaması. Akademik Sosyal Araştırmalar Dergisi, 2(1), 258-271.
• Eakins, S. G. ve Stansell, S. R. (2003). Can Value-Based Stock Selection Criteria Yield Superior Risk-Adjusted Returns: An Application of Neural Networks. International Review of Financial Analysis, 12(1), 83-97.
• Ege, İ. ve Topaloğlu, T. N. (2018). Piyasa Değerinin Firmaya Özgü Belirleyicileri: BİST 30 Firmaları Üzerine Panel Veri Analizi. Kırşehir Ahi Evran Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2(1), 110-129.
• Ekşi, İ. H., Çakır, V., Büyükkonuklu, B. ve Özçalıcı, M. (2014). Prediction of Firm Value with Financial Structure Items: An Implementation on Metal Industry. Journal of Financial and Actuarial Mathematics and Management, 2, 1-10.
• Er, F. (2020). Gayrimenkul Değerlemesinde Makine Öğrenmesi Tekniklerinin Kıyaslanması (Yayımlanmamış Yüksek Lisans Tezi). T.C. Yıldız Teknik Üniversitesi: İstanbul.
• Ercan, M. K., Öztürk, M. B., Küçükkaplan, İ., Başcı, E. S. ve Demirgüneş, K. (2006). Firma Değerlemesi Banka Uygulaması, İstanbul: Literatür Yayıncılık.
• Ertuğrul, M. (2008). Değer-Fiyat Ayrımı ve İşletme Değeri: Kuramsal Bir Bakış. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(2), 143-154.
• Gamayuni, R. R. (2015). The Effect of Intangible Asset, Financial Performance and Financial Policies on The Firm Value. International Journal of Scientific & Technology Research, 4(1), 202-212.
• Gemici, Ç. G. (2010). Mali Oranların Firma Değerine Etkisinin Analizi (Yayımlanmamış Yüksek Lisans Tezi). T.C. Ankara Üniversitesi: Ankara.
• Gümüş, U. T., Şakar, Z., Akkın, G. ve Şahin, M. (2017). Finansal Analizde Kullanılan Oranlar ve Firma Değer İlişkisi: BİST’de İşlem Gören Çimento Firmaları Üzerine Bir Analiz. Karadeniz Sosyal Bilimler Dergisi, 9(16), 1-23.
• Gürbüz, A. O. ve Ergincan, Y. (2008). Şirket Değerlemesi Klasik ve Modern Yaklaşımlar, İstanbul: Literatür Yayınları.
• Hamel, L. H. (2009). Knowledge Discovery with Support Vector Machine, New Jersey: Wiley-Interscience.
• Han, J., Kamber, M. ve Pei, J. (2012). Data Mining Concept and Techniques, Amsterdam: Elsevier.
• Hitchner, J. R. (2006). Financial Valuation: Applications and Models, New Jersey: John Wiley & Sons.
• Hood, H. L. ve Lee, T. R. (2011). A Reviewer's Handbook to Business Valuation, New York: John Wiley & Sons.
• Hsiao, K., Li, J. B. ve Chen, A. P. (2006). Improving Investing Strategy in Stock Market with Valuation. International Journal of Computational Intelligence Research, 2(1), 26-32.
• Husna, A. ve Satria, I. (2019). Effects of Return on Asset, Debt to Asset Ratio, Current Ratio, Firm Size, and Dividend Payout Ratio on Firm Value. International Journal of Economics and Financial Issues, 9(5), 50-54.
• Işıldak, M. S. (2019). Finansal Oranların Piyasa Değeri/Defter Değeri Oranına Etkisinin Panel Veri Analiziyle İncelenmesi: BİST’te Kayıtlı Dokuma, Giyim Eşyası ve Deri Sektöründe Uygulama. Ekonomik Yaklaşım, 30(111), 71-100.
• İvgen, H. (2003). Şirket Değerleme, İstanbul: Finnet Yayıncılık.
• Jayalakshmi, T. ve Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification. International Journal of Computer Theory and Engineering, 3(1), 89-93.
• Kaderli, Y. ve Küçükkaya, H. (2012). 2008 Dünya Finansal Krizi Sonrası Türkiye Ekonomisinde Yaşanan Gelişmelerin Bazı Ülkelerle Karşılaştırmalı Olarak İncelenmesi. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 12, 85-96.
• Kalaycı, Ş. (2010). SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri, Ankara: Asil Yayın Dağıtım.
• Kalaycı, Ş. ve Karataş, A. (2005). Hisse Senedi Getirileri ve Finansal Oranlar: İMKB'de Bir Temel Analiz Araştırması. Muhasebe ve Finansman Dergisi, (27), 146-157.
• Kantardzic, M. (2001). Data Mining: Concepts, Models, Methods, and Algorithms, New York: John Wiley & Sons.
• Karakaya, A., Turan Kurtaran, A. ve Kurtaran, A. (2017). Firm Value and External Financing Needs. International Journal of Economics and Finance, 9(6), 69-81.
• Kaya, D. G. ve Kaygısız, A. D. (2015). 2008 Küresel Finans Krizi ve Sonrasında Türkiye'de Uygulanan Maliye Politikalarına Genel Bir Bakış. Uluslararası Yönetim İktisat ve İşletme Dergisi, 11(26), 171-194.
• Khemka, A. (2003). A Colloborative Predictive Data Mining Model. A Colloborative Predictive Data Mining Model. Missouri: Faculty of University of Missouri-Kansas City.
• Korkmaz, Ö. ve Dilmaç, M. (2018). Firma Piyasa Değerini Etkileyen Finansal Faktörler: Banka ve Sigorta İşletmeleri Üzerine Bir Uygulama. Yönetim ve Ekonomi Araştırmaları Dergisi, 16(2), 179-201.
• Kryzanowski, L., Galler, M. ve Wright, D. W. (1993). Using Artificial Neural Networks to Pick Stocks. Financial Analysts Journal, 49(4), 21-27.
• Kurtaran, A., Turan Kurtaran, A., Kurtaran Çelik, M. ve Temizer, Z. (2015). Finansal Oranlar ile Firma Değeri İlişkisi: BIST’te Bir Uygulama. Küresel İktisat ve İşletme Çalışmaları Dergisi, 4(8), 35-45.
• Kuzey, C., Uyar, A. ve Delen, D. (2014). The Impact of Multinationality on Firm Value: A Comparative Analysis of Machine Learning Techniques. Decision Support Systems, 59, 127-142.
• Küçükkaplan, İ. (2013). İstanbul Menkul Kıymetler Borsasında İşlem Gören Üretim Firmalarının Piyasa Değerini Açıklayan İçsel Değişkenler: Panel Verilerle Sektörel Bir Analiz. Eskişehir Osmangazi Üniversitesi İİBF Dergisi, 8(2), 161-182.
• Lee, J. ve Kwon, H. B. (2017). Progressive Performance Modeling for the Strategic Determinants of Market Value in the High-tech Oriented SMEs. International Journal of Production Economics, 183, 91-102.
• Metlek, S. ve Kayaalp, K. (2020). Makine Öğrenmesinde, Teoriden Örnek Matlab Uygulamalarına Kadar Destek Vektör Makineleri, Ankara: İKSAD Yayınevi.
• Milosevic, N. (2016). Equity forecast: Predicting long term stock price movement using machine learning. arXiv 2016. arXiv:1603.00751 adresinden alındı.
• Olson, D. L. ve Delen, D. (2008). Advanced Data Mining Techniques, Berlin: Springer.
• Olson, D. ve Mossman, C. (2003). Neural Network Forecasts of Canadian Stock Returns Using Accounting Ratios. International Journal of Forecasting, 19(3), 453-465.
• Omran, M. ve Ragab, A. (2004). Linear Versus Non-linear Relationships Between Financial Ratios and Stock Returns: Empirical Evidence from Egyptian Firms. Review of Accounting and Finance, 3(2), 84-102.
• Özaltın, O. (2006). Sermaye Yapısı ve Firma Değeri İlişkisi İMKB'de Bir Uygulama (2000-2003) (Yayımlanmamış Yüksek Lisans Tezi). T.C. Süleyman Demirel Üniversitesi: Isparta.
• Özçalık, S. G. ve Aytekin, S. (2017). İşletme Değeri ile Finansal Oranlar Arasında İlişki Var Mı? Borsa İstanbul'da Bir Uygulama. Balıkesir Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 20(38), 203-2014.
• Özdemir, Ö. ve Öncü, E. (2018). Muhasebe Verilerinin Firma Değerine Etkisi: Borsa İstanbul Metal Sektörü Üzerine Bir Uygulama. Muhasebe ve Finansman Dergisi, (78), 125-138.
• Özdemir, Ş. (2017). Karar Ağaçları. U. Çelik, E. Akçetin, ve M. Gök (Ed.) içinde, Rapidminer ile Uygulamalı Veri Madenciliği (s. 107-1028). İstanbul: Pusula 20 Teknoloji ve Yayıncılık A.Ş.
• Özkan, Y. (2013). Veri Madenciliği Yöntemleri, İstanbul: Papatya Yayıncılık.
• Öztemel, E. (2006). Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık.
• Öztürk, H. (2009). Şirket Değerlemesinin Esasları Teorik ve Pratik Yaklaşımlar, İstanbul: Türkmen Kitabevi.
• Pal, M. (2005). Random Forest Classifier For Remote Sensing Classification. International Journal of Remote Sensing, 26(1), 217-222.
• Pao, H.-T., Yu, C.-H. ve Fu, H.-C. (2020). Corporate Value Prediction Model and Sensitivity Analysis of Taiwan Traditional Industry Based on Machine Learning Algorithm. I. S. International (Dü.). içinde Dubai: Proceedings of the International Conference on Industrial Engineering and Operations Management.
• Peştere, M. (2021). Değere Dayalı Derecelendirme: Makine Öğrenmesi Yöntemleri ile Bir Sınama (Yayımlanmamış Yüksek Lisans Tezi). T.C. Pamukkale Üniversitesi: Denizli.
• Pouraghajan, A., Mansourinia, E., Bagheri, B., Emamgholipour, M. ve Emamgholipour, B. (2013). Investigation the Effect of Financial Ratios, Operating Cash Flows and Firm Size on Earnings Per Share: Evidence from the Tehran Stock Exchange. International Research Journal of Applied and Basic Sciences, 4(5), 1026-1033.
• Savsar, A. (2012). Finansal Oranlarla Firma Değeri Arasındaki İlişki ve İstanbul Menkul Kıymetler Borsası'nda Bir Uygulama (Yayımlanmamış Yüksek Lisans Tezi). T.C. Gaziosmanpaşa Üniversitesi: Tokat.
• Seyidoğlu, H. (1992). Ekonomik Terimler Ansiklopedik Sözlük, Ankara: Güzem Can Yayınları.
• Shwartz, S. S. ve David, S. B. (2014). Understanding Machine Learning:From Theory to Algorithms, New York: Cambridge University Press.
• Uğuz, S. (2021). Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü, Ankara: Nobel Akademik Yayıncılık.
• Uluyol, O. ve Türk, V. E. (2013). Finansal Rasyoların Firma Değerine Etkisi: Borsa İstanbul (BİST)'da Bir Uygulama. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(2), 365-384.
• Uyar, U. ve Sarak, G. (2020). Finansal Oranlar ile Firma Değeri İlişkisinin Borsa İstanbul ve Londra Borsası İmalat Sanayi Sektörlerinde Karşılaştırılması. Ekonomi, Politika ve Finans Araştırmaları Dergisi, 5(3), 537-560.
• Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision, New York: Wiley.
• Weiying, J. ve Baofeng, C. (2008). Financial Risk, Business Risk and Firm Value for Logistics Industry. 4th International Conference on Wireless Communications Networking and Mobile Computing, 1-4.
• Wilimowska, Z. ve Krzysztoszek, T. (2013). The Use of Artificial Neural Networks in Company Valuation Process. Studies in Computational Intelligence, 279-288.
• Witten, I. H., Frank, E. ve Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques, USA: Morgan Kaufman Publications.
• Yakut, E. (2012). Veri Madenciliği Tekniklerinden C5.0 Algortiması ve Destek Vektör Makineleri ile Yapay Sinir Ağlarının Sınıflandırma Başarılarının Karşılaştırılması: İmalat Sektöründe Bir Uygulama (Yayımlanmamış Doktora Tezi). T.C. Atatürk Üniversitesi: Erzurum.
• Zakaria, M., Al-Shebany, M. ve Sarhan, S. (2014). Artificial Neural Network: A Brief Overview. Int. Journal of Engineering Research and Applications, 4(2), 7-12.
• Zhang, C., Zhang, H. ve Liu, D. (2016). Energy Firm Value Prediction Using Machine Learning. IEEE Access, 4, 1-9.
• Zocca, V., Spacagna, G., Slater, D. ve Roelants, P. (2017). Python Deep Learning, Birmingham: Packt Publishing.
• Zor, İ. ve Karakuş, R. (2014). Tek Düzen Hesap Planı ve UFRS'ye Göre Elde Edilen Finansal Oranların Hisse Getirileri İle İlişkisinin Karşılaştırmalı İncelenmesi: BİST'te Bir Uygulama. Yaşar Üniversitesi E-Dergisi, 9(34), 5870-5886.
• https://veribilimcisi.com/2017/07/14/mse-rmse-mae-mape-metrikleri-nedir/ (Erişim: 06.04.2022).