Veri Madenciliği Yönteminin Finans Sektörüne Uygulanmasina Yönelik Kavramsal Bir Değerlendirme
A Conceptual Evaluation on Implementation of Data Mining Method in the Finance Sector
DOI:
https://doi.org/10.51229/TUJPA.2021.10Anahtar Kelimeler:
Veri Madenciliği- Finans,- BankacılıkÖzet
Bu araştırmada veri madenciliğinin finans sektörüne uygulanmasına yönelik kavramsal bir tarama yapılmıştır. Başka bir ifade ile finansal veriler ile veri madenciliği yöntemi kullanan ampirik çalışmalar özetlenmiştir. Yapılan genel tarama sonucunda veri madenciliğinin bir çok alanda kullanıldığı ve finans alanında yapılan ampirik çalışmalarda yaygın bir şekilde yer bulduğu belirlenmiştir. Veri madenciliği yöntemleri kullanılarak yapılan finans çalışmaları incelendiğinde söz konusu çalışmaların önemli bir bölümünün risk yönetimi ve finansal başarısızlık alanında yapıldığı tespit edilmiştir. Çalışmada ayrıca finans alanında veri madenciliği yöntemlerinden en fazla yapay sinir ağlarının kullanıldığı ortaya konmuştur. Yapılan genel tarama sonucunda veri madenciliği yöntemleri ile kredi skorlama, anormal getiri tahmini, manipülasyon tespiti ve portföy yönetimi konularında araştırmaların yapılmasına ihtiyaç duyulduğu belirlenmiştir.
İndirmeler
Referanslar
AMOR, N. B., BENFERHAT S., ELOUEDI Z., (2004), “Naive Bayes vs Decision Trees in Intrusion Detection Systems”, Proceedings of the 2004 ACM symposium on Applied computing ACM Symposium on Applied Computing, 420 – 424.
BJORKEGREN, D. and GRISSEN, D. (2018), “Behavior Revealed in Mobile Phone Usage Predicts Loan Repayment”, Available at SSRN 2611775.
CEREN, K. (2019), “Veri Madenciliği Yöntemi İle Risklerin Yönetilmesi Ve Sigorta Sektörü Üzerine Bir Uygulama”, Marmara Üniversitesi, Yüksek Lisans Tezi.
CHIEN, C.F. ve CHEN, L.F. (2008), “Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry”, Expert Systems with Applications, vol. 34, pp.280-290.
DEMİRCİ, M., (2019), “Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akış İlişkisinin Tahmini”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, C.10, S.3, (1113-1124).
DUAN, J. C. and MIAO, W. (2016), “Default Correlations and Large-Portfolio Credit Analysis”, J. Bus. Econ. Stat., vol. 34, no. 4, pp. 536546.
ERTİKİN, Kıvanç (2017), “Hile Denetimi: Kırmızı Bayrakların Tespiti için Kullanılan Proaktif Yaklaşımlar”, Muhasebe ve Finansman Dergisi, Temmuz 2017, s. 76-77.
FRİEDMAN, J.H., (2002), “Stochastic gradient boosting. Computational statistics and data analysis”, 38 (4), 367-378.
GÜL, Emel, Gökay ve ÇAĞATAN Taşkın (2002), “Genetik Algoritmalar ve Uygulama Alanları”, Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 21, Sayı: 1, 2002, s.141-142.
GÜLÇE, G. (2010), “Veri ambarı Ve Veri Madenciliği Teknikleri Kullanılarak Öğrenci Karar Destek Sistemi Oluşturma”, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, 2010, 275300.
GÜLTEKİN, S.U. (2017), “Veri Madenciliği: Yapay Sinir Ağı Ve Doğrusal Regresyon Yöntemleri İle Fiyat Tahmini”, Pamukkale Üniversitesi, Yüksek Lisans Tezi.
HASTIE, T., R TIBSHIRANI, ve J. FRIEDMAN (2001), “The Elements of Statistical Learning; Data Mining”, Inference and Prediction, Springer Series in Statistics, USA.
IRMAK, S. (2009), “Veri Madenciliği Yöntemleri İle Sağlık Sektörü Veri Tabanlarında Bilgi Keşfi: Tanımlayıcı Ve Kestirimci Model Uygulamaları”, (Yayınlanmamış Doktora Tezi). Akdeniz Üniversitesi Sosyal Bilimler Enstitüsü.
JAIN, A., MENON, M.N. ve CHANDRA, S. (2015), “Sales Forecasting For Retail Chains”, https://pdfs.semanticscholar.org/76a2/44f4da1d29170a9f91d381a5e12dc7ad2c0f.pdf, [Ziyaret tarihi: 5 Temmuz 2021].
KANTARDZIC, Mehmed (2003), “Data Mining: Concepts, Models, Methods and Algorithms, USA”, The Insttute of Electrical and Electronics Engineers, Inc, 2003
KAYGIN, Ceyda YERDELEN, TAZEGÜL Alper ve YAZARKAN Hakan (2016), “İşletmelerin Finansal Başarılı ve Başarısız Olma Durumlarının Veri Madenciliği ve Lojistik Regresyon Analizi ile Tahmin Edilebilirliği”, Ege Akademik Bakış, Cilt 16, Sayı1, 147-159.
KESKİN Benli, Y. (2005), “Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması”, Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi , 31-46.
KOYUNCUGİL, Ali Serhan ve ÖZGÜLBAŞ, Nermin (2009), “Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları”, Bilişim Teknolojileri Dergisi, Cilt: 2, Sayı: 2, Mayıs 2009, 21-32, s.28.
LESSMANN, S., BAESENS, B., SEOW, H.-V. and THOMAS, L. C. (2015), “Benchmarking State-of-the-Art Classification Algorithms For Credit Scoring”, An update of research. European
LİOR, Rokach ve ODED, Maimon (2008), “Data Mining with Decision Trees: Thoery and Applications”, Singapore: World Scientific Publishing Co. Pte. Ltd.,
MARTINELLI, F., MERCALDO, F., and SARACINO, A. (2017), “Bridemaid: An Hybrid Tool for Accurate Detection of Android Malware” In Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security, pages 899–901. ACM.
MERCALDO, F., NARDONE, V., and SANTONE, A. (2017), “Diabetes Mellitus Affected Patients Classification and Diagnosis Through Machine Learning Techniques”, Procedia computer science, 112:2519–2528.
NARIO, L. PFİSTER, T. T. POPPENSIEKER, and U. STEGEMANN (2016), “The Evolving Role of Credit”, portfolio management.
NOBLE ,WS (2006), “What is a Support Vector Machine?”, Nat Biotechnol, 24(12): 1564-67.
ÖZKAN, Yalçın (2008), “Veri Madenciliği Yöntemleri”, 1. Basım, İstanbul: Papatya Yayıncılık Eğitim.
SAFER, A. M. (2002), “The Application of Neural Networks to Predict Abnormal Stock Returns Using Insider Trading Data”, Applied Stochastic Models in Business and Industry, 18 (4): 381–389.
SALEHI, Mahdi, MAHMOUD Mousavi, SHIRI Mohammad Bolandraftar Pasikhani , (2016), “Predicting corporate financial distress using data mining techniques: an application in Tehran Stock Exchange”, International Journal of Law and Management, Vol.58 Iss 2.
TOKTAŞ, Peral ve DEMİRHAN Melek Basak (2004), “Risk Analizinde Veri Madenciligi Uygulamalar,” YA/EM Yöneylem Arastırması/Endüstri Mühendisligi- XXIV Ulusal Kongresi, 15- 18 Haziran, Adana.
TORUN, Talip (2007), “Finansal Başarısızlık Tahmininde Geleneksel İstatistiki Yöntemlerle Yapay Sinir Ağlarının Karşılaştırılması ve Sanayi İşletmeleri Üzerinde Uygulama”, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü, Kayseri 2007 (Yayınlanmamış Doktora Tezi).
TUFFERY, Stephane (2008), “Data Mining and Statistics for Decision Making”, United Kingdom: John Wiley & Sons Ltd., 2008
UZAR, C. (2013), “Finansal Bilgi Sisteminde Veri Madenciliği Teknolojisinin Kullanılması: Borsa İstanbul Üzerine Bir Uygulama”, Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora Tezi.
YAKUT, Emre (2012), “Veri Madenciliği Tekniklerinden C5.0 Algoritması ve Destek Vektör Makineleri ile Yapay Sinir Ağlarının Sınıflandırma Başarılarının Karşılaştırılması: İmalat Sektöründe Bir Uygulama”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Erzurum 2012 (Yayımlanmamış Doktora Tezi).
ZHANG, D. ve ZHOU, L. (2004), “Discowering Golden Nuggets: Data Mining in Financial Application”, Ieee Transactıons on Systems, Man, and Cybernetıcs, 4(4):513-522.
