You are here

Nakit Temettü Tahmininde Makine Öğrenmesi Yaklaşımı: İmalat Sektörü Üzerine Bir Araştırma

A Machine Learning Approach for Cash Dividends’ Forecasting: A Research on Manufacturing Sector

Journal Name:

Publication Year:

DOI: 
http://dx.doi.org/10.18074/cnuiibf.329
Abstract (2. Language): 
Dividend payment is a factor that affects investment decisions in capital markets. Although dividend payments indicate past performance of corporate, they also give some clues about company’s future performance. In this study, feasibility of Marsh&Merton (M&M) model is tested in Turkey tried to develop a better model than M&M model by applying machine learning techniques. For this study payout ratios between 2003 and 2012 from 139 manufacturing companies which are quoted on ISE are selected. M&M model and five machine learning models namely Multi-Layer Perception (MLP), Radial Based Function Networks (RBFN), Support Vector Machines (SVM) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) are compared with each other. Generally it is occurred that RBFN models produces similar results with M&M model, MLP models cannot forecast low paid dividend and SVM model executes worse than M&M model. As a result ANFIS model is observed the most successful method in forecasting dividends.
Abstract (Original Language): 
Sermaye piyasalarında yapılacak yatırım kararlarını doğrudan etkileyen bir faktör olan temettü dağıtımı, işletmenin geçmiş performansını gösterdiği kadar gelecekteki performansı hakkında da ipuçları vermektedir. Bu çalışmada Türkiye’de halka açık işletmeler tarafından dağıtılan temettülerin tahmininde Marsh&Merton (M&M) modelinin kullanılabilirliğinin test edilmesi ve makine öğrenme tekniklerini uygulayarak, M&M’dan daha iyi bir model geliştirilmesi amaçlanmıştır. Araştırmada nakit dağıtılan temettü oranı tahmininde Borsa İstanbul (BİST)’da işlem gören imalat sektöründeki 139 işletmenin 2003-2012 yılları arasındaki verileri kullanılarak M&M modeli ile makine öğrenme tekniğine dayalı Çok Katmanlı Algılayıcı (Bir ve İki Gizli Katmanlı ÇKA), Radyal Tabanlı Fonksiyon Ağları (RTFA), Destek Vektör Makineleri (DVM) ve Adaptif Sinirsel Bulanık Çıkarsama Sistemleri (ASBÇS) şeklinde beş farklı model karşılaştırılmıştır. Genel olarak RTFA modelinin M&M modeline yakın sonuçlar ürettiği, ÇKA modellerinin düşük miktarda dağıtılan temettüleri tahmin edemediği, DVM modelinin ise M&M’dan daha kötü sonuçlar verdiği görülmüştür. Çalışma sonucunda ASBÇS modelinin temettü tahmininde en başarılı yöntem olduğu tespit edilmiştir.
307
333

JEL Codes:

REFERENCES

References: 

Akkaya, G.C., Demireli, E. ve Yakut, U.H. (2009). İşletmelerde Finansal Başarısızlık Tahminlemesi: Yapay Sinir Ağları Modeli ile İMKB Üzerine Bir Uygulama. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 10(2), 187-216. Akkoç, S. (2007). Finansal Başarısızlığın Öngörülmesinde Sinirsel Bulanık Ağ Modelinin Kullanımı ve Ampirik Bir Çalışma. Yayınlanmamış Doktora Tezi, Kütahya: Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü.
Anandarajan, M., Lee, P. ve Anandarajan, A. (2001). Bankruptcy Prediction Of Financially Stressed Firms: An Examination Of The Predictive Accuracy Of Artificially Neural Networks. International Journal of Intelligent Systems in Accounting, Finance and Management, 10(2), 69-81. Arsoy, M.F. (2015). İşletmelerde Dağıtılan Temettülerin Yapay Sinir Ağları ile Tahmini: Borsa İstanbul Sanayi Sektörü Üzerine Bir Uygulama. Yayınlanmamış Doktora Tezi, Eskişehir: Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Enstitüsü.
Atiya, A. (2001). Bankruptcy Prediction For Credit Risk Using Neural Networks: A Survey And New Results. IEEE Transactions on Neural Networks, 12(4), 929-935.
Aytek, A. (2009). Co-Active Neurofuzzy İnference System For Evapotranspiration Modeling. Soft Computing, 13, 691-700.
Barak, O. ve Demireli, E. (2006). İMKB’de Gözlenen Fiyat Anomalilerinin Davranışsal Finans Modelleri Kapsamında Değerlendirilmesi. 10. Ulusal Finans Sempozyumu, 01-03 Kasım 2006, Kuşadası-Aydın.
M.F.Arsoy & E.Güreşen Bahar/Spring 2016
Cilt 6, Sayı 1, ss.307-333 Volume 6, Issue 1, pp.307-333
327
Bayazıtlı, E., Kaderli, Y. ve Gürel, E. (2006). Kar Payı Dağıtma Duyurularının Firmaların Hisse Senedi Getirilerine Etkisi: İMKB’ye Kayıtlı Taş ve Toprağa Dayalı Sanayide Faaliyet Gosteren Bazı Firmalar Üzerinde Bir Olay Etüdü Çalışması, Muhasebe ve Denetime Bakış Dergisi, 26, 1-16.
Bhattacharya, S. (1979). Imperfect İnformation, Dividend Policy, And ‘The Bird İn The Hand’ Fallacy. Bell Journal of Economics, 10(1), 259-270.
Boser, B.E., Guyon, I.M. ve Vapnik, V.N. (1992). A Training Algorithm For Optimal Margin Classifiers in USA. The Fifth Annual Workshop On Computational Learning Theory. COLT92, 144-152.
Boztosun, D. (2006). Temettü Dağıtma Kararının Farklı Piyasalarda Hisse Senedi Fiyatına Etkisinin Mukayeseli Olarak İncelenmesi, Yayınlanmamış Doktora Tezi, Ankara: Gazi Üniversitesi Sosyal Bilimler Enstitüsü.
Brav, A., Graham, J., Harvey, C. ve Michaely, R. (2005). Payout Policy İn The 21st Century. Journal of Financial Economics, 77, 483-527.
Brennan, M.J. (1970). Taxes, Market Valuation and Corporate Financial Policy. National Tax Journal, 23, 417-442.
Brittain, J.A. (1966). Corporate Dividend Policy. Brookings, Washington, D.C.
Broomhead, D.S. ve Lowe, D. (1988). Multivariate Functional İnterpolation and Adaptive Networks. Complex Systems, 2, 321-355.
Bulmuş, İ. (2012). Türkiye Borsa Yatırımcısının Temettü Refleksi. Ekonomik Yaklaşım, 23, 1-12.
Charalambous, C., Chartious, A. ve Kaourou, F. (2000). Comparative Analysis Of Artificial Neural Network Models: Application İn Bankruptcy Prediction. Annals of Operations Research, 99, 403-425.
Chen, M.C. ve Huang, S.H. (2003). Credit Scoring And Rejected İnstances Reassigning Through Evolutionary Computation Techniques. Expert Systems with Applications, 24(4), 433-441.
Cybenko, G. (1989). Approximation By Superpositions of A Sigmoidal Function. Math. Control Signals Systems, 2, 303-314. Çakır, M. (2005). Firma Başarısızlığının Dinamiklerinin Belirlenmesinde Makina Öğrenmesi Teknikleri: Ampirik Uygulamalar ve Karşılaştırmalı Analiz. Uzmanlık Yeterlilik Tezi, Ankara: Türkiye Cumhuriyet Merkez Bankası.
Çankırı Karatekin Üniversitesi Çankırı Karatekin University
İktisadi ve İdari Bilimler Journal of The Faculty of Economics
Fakültesi Dergisi and Administrative Sciences
328
Çelik, M.K. (2010). Bankaların Finansal Başarısızlıklarının Geleneksel ve Yeni Yöntemlerle Öngörüsü. Yönetim ve Ekonomi: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 17(2), 129-143.
DeAngelo, H. ve DeAngelo, L. (2006). The Irrelevance of the MM Dividend Irrelevance Theorem. Journal of Financial Economics, 79, 293-316.
DeAngelo, H., DeAngelo, L. ve Skinner, J. (2004). Are Dividends Disappearing? Dividend Concentration and the Consolidation of Earnings. Journal of Financial Economics, 72, 425-456.
DeAngelo, H., DeAngelo, L. ve Stulz, L. (2006). Dividend Policy and the Earned/Contributed Capital Mix: a Test of the Life-Cycle Theory. Journal of Financial Economics, 81, 227-254.
Dinh, N.Q. ve Afzulpurkar, N.V. (2007). Neuro-Fuzzy MIMO Nonlinear Control For Ceramic Roller Kiln. Simulation Modelling Practice and Theory, 15, 1239-1258.
Fama, E.F. ve Babiak, H. (1968). Dividend Policy: An Emprical Analysis. Journal of the American Statistical Association, 63(324), 1132-1161.
Fama, E. ve Kenneth, F. (2001). Disappearing Dividends: Changing From Characteristics Or Lower Propensity To Pay. Journal of Financial Economics, 60(1), 3-43.
Gürel, E. (2008). Kar Payı Dağıtım Politikalarının Etkinliği ve İMKB Uygulaması, Yayınlanmamış Doktora Tezi, Ankara: Ankara Üniversitesi Sosyal Bilimler Enstitüsü.
Funahashi, K.I. (1989). On The Approximate Realization Of Continuous Mappings By Neural Networks. Neural Networks, 2(3), 183-192.
Funahashi, K.I. (1990). On the Approximate Realization of Identity Mappings by 3-Layer Neural Networks. Transactions of IEICE A, J73-A, 139-145.
Hansen, R., Kumar, R. ve Shome, D.K. (1994). Dividend Policy And Corporate Monitoring: Evidence From The Regulated Electric Utility İndustry. Financial Management, 23(1), 16-22.
Haykin, S. (2009). Neural Networks and Learning Machines. Third Edition, New Jersey: Pearson.
Hornik, K. (1991). Approximation Capabilities Of Multilayer Feedforward Networks. Neural Networks, 4(2), 251-257.
M.F.Arsoy & E.Güreşen Bahar/Spring 2016
Cilt 6, Sayı 1, ss.307-333 Volume 6, Issue 1, pp.307-333
329
Hornik, K. (1993). Some New Results On Neural Network Approximation. Neural Networks, 6(8), 1069-1072.
Hornik, K., Stinchcombe, M. ve White, H. (1989). Multilayer Feedforward Networks Are Universal Approximators. Neural Networks, 2(5), 359-366.
Hornik, K., Stinchcombe, M. ve White, H. (1990). Universal Approximation Of An Unknown Mapping And İts Derivatives Using Multilayer Feedforward Networks. Neural Networks, 3(5), 551-560.
Jang J.S.R. (1993). ANFIS: Adaptive-Network-Based Fuzzy İnference System. IEEE Transactions on Systems, Man and Cybernetics, 23(3), 665-685.
Julio, B. ve Ikenberry, D. (2004). Reappearing Dividends. Journal of Applied Corporate, Finance, 16(4), 89-100.
Lintner, J. (1956). Distribution of Incomes of Corporations Among Dividends, Retained Earnings, and Taxes. American Economic Review, 46, 97-113.
Kaba, F. (2009). Kar Payı Dağıtımın Firma Değeri Üzerinde Etkisi ve Bir Uygulama, Yayınlanmamış Yüksek Lisans Tezi, Sakarya: Sakarya Üniversitesi Sosyal Bilimler Enstitüsü. Kaderli, Y. ve Başkaya, H. (2014). Halka Açık Firmalarda Kâr Payı Dağıtım Duyurularının Hisse Senedi Fiyatlarına Etkisinin Ölçülmesi: Borsa İstanbul’da Bir Uygulama. Adnan Menderes Üniversitesi Sosyal Bilimler Dergisi, 1(1), 49-64. Keskin, Y. (2002). İşletmelerde Finansal Başarısızlığın Tahmini, Çok Boyutlu Model Önerisi ve Uygulaması. Yayınlanmamış Doktora Tezi, Ankara: Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü.
Kim, J., Won, J. ve Jae, K.B. (2010). A Knowledge Integration Model for the Prediction of Corporate Dividends. Expert Systems with Applications, 37, 1344-1350.
Marsh, T.A. ve Merton, R.C. (1987). Dividend Behavior For The Aggregate Stock Market. Journal of Business, 60(1), 1-40.
Miller, M.H.ve Rock, K. (1985). Dividend Policy Under Asymmetric İnformation. Journal of Finance, 40(4), 1031-1051. Muzir, E. (2013). Impact of Placement Choices and Governance Issues on Credit Risk in Banking: Nonparametric Evidence from an Emerging Market. Journal of Knowledge Management, Economics and Information Technology, 3(4), 100-153.
Çankırı Karatekin Üniversitesi Çankırı Karatekin University
İktisadi ve İdari Bilimler Journal of The Faculty of Economics
Fakültesi Dergisi and Administrative Sciences
330
Nissim, D. ve Ziv, A. (2001). Dividend Changes And Future Profitability. Journal of Finance, 56(6), 2111-2133.
Pendharkar, P.C. (2005). A Threshold-Varying Artificial Neural Network Approach For Classification And İts Application To Bankruptcy Prediction Problem. Computers and Operations Research, 32(10), 2561-2582.
Principe, C.J., Euliano, N.R. ve Lefebvre, W.C. (2000). Neural And Adaptive Systems: Fundamentals Through Simulations. London: Wiley.
Quinlan, J.R. (1993). C4.5: Programs for Machine Learning. San Mateo, CA: Morgan
Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model For Information Storage And Organization In The Brain. Psychological Review, 65, 386-408.
Salehi, M., Kardan, B. ve Aminifard, Z. (2012). Effective Components on the Forecast of Companies’ Dividends Using Hybrid Neural Network and Binary Algorithm Model. Indian Journal of Science and Technology, 5(9), 3321-3327.
Schölkopf, B. ve Christopher J.C. (1999). Advances in Kernel Methods: Support Vector Learning. MIT Press.
Shiller, R.J. (1983). Do Stock Prices Move too Much to be Justified by Subsequent Changes in Dividends? Reply. American Economic Review, 73(1), 236-37.
Tatari, M. (1999). Analysis of Cash vs. Stock Dividend Announcement’s Effect on Stock Prices in Istanbul Stock Exchange, Yayınlanmamış Yüksek Lisans Tezi, İstanbul: Marmara Üniversitesi Sosyal Bilimler Enstitüsü.
Tsai, C.F. ve Wu, J.W. (2008). Using Neural Network Ensembles For Bankruptcy Prediction And Credit Scoring. Expert Systems with Applications, 34(4), 2639-2649.
Ünlü, U., Bayrayrakdaroğlu, A. ve Ege, İ. (2009). Hisse Senedi Endeks Getirileri ve Temettü Verimi: İmkb 100 ve S&P 500 Endeksleri Üzerine Bir Uygulama. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 11(1), 143-158.
Vapnik, V.N. (1998). Statistical Learning Theory. New York: Wiley.
M.F.Arsoy & E.Güreşen Bahar/Spring 2016
Cilt 6, Sayı 1, ss.307-333 Volume 6, Issue 1, pp.307-333
331
Vapnik, V.N., Golowich, S.E. ve Smola, A. (1997). Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. Presented at the Advances in Neural Information Processing Systems 9, MA, MIT Press, Cambridge, 281-287.
Watts, R. (1973). The Information Content of Dividends. Journal of Business, 46(2), 191-211.
Won, C., Kim, J. ve Jae K.B. (2012). Using Genetic Algorithm Based Knowledge Refinement Model for Dividend Policy Forecasting. Expert Systems with Applications, 39, 13472–13479. Yakut, E., Elmas, B. ve Yavuz, S. (2014). Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(2), 139-157.

Thank you for copying data from http://www.arastirmax.com