BORSA İSTANBUL’DA FİNANSAL SIKINTI TAHMİNİ: MAKİNE ÖĞRENMESİ VE SHAP ANALİZİ

Borak M.

Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, cilt.35, ss.1-16, 2026 (TRDizin)

Özet

Finansal sıkıntının önceden tahmin edilmesi; firma yöneticilerinin, yatırımcıların ve düzenleyici kurumların olası risklere karşı zamanında sağlıklı kararlar alabilmeleri açısından önem taşımaktadır. Bu çalışma, Borsa İstanbul’da işlem gören imalat firmalarının finansal sıkıntı durumunu bir yıl önceden tahmin etmeyi amaçlamaktadır. Bu kapsamda altı sınıflandırma algoritmasının performansı karşılaştırılmakta ve en yüksek tahmin performansını gösteren algoritma belirlenmektedir. Analizler, 251 firmaya ait 2.810 gözlemi içermekte; finansal sıkıntı, Zmijewski skoruna göre tanımlanmaktadır. Çalışmada lojistik regresyon, CART, rastgele orman, destek vektör makinesi, k-en yakın komşu ve yapay sinir ağı algoritmaları karşılaştırılmaktadır. Model geliştirme ve test dönemleri, zaman sırası korunarak oluşturulmakta; hiperparametre seçiminde genişleyen pencereli ileri-zaman çapraz doğrulama kullanılmaktadır. Sınıf dengesizliği nedeniyle temel seçim ölçütü olarak PR-AUC esas alınmakta ve seçilen algoritmanın tahminleri SHAP yöntemiyle açıklanmaktadır. Çalışmanın bulgularına göre rastgele orman, doğrulama sürecinde en yüksek ortalama PR-AUC değerini üretmektedir. Bu algoritma test döneminde 0,873 ROC-AUC, 0,385 PR-AUC ve 0,747 dengeli doğruluk değerine ulaşmakta ve finansal sıkıntılı gözlemlerin %62,5’ini doğru belirlemektedir. Eksik değer içeren gözlemlerin dışlandığı duyarlılık analizinde de aynı algoritma seçilmekte ve benzer performans değerleri elde edilmektedir. SHAP bulguları, tahminlerde özellikle sermaye yapısı, likidite ve karlılık göstergelerinin öne çıktığını göstermektedir. Bu sonuçlar, makine öğrenmesi yöntemlerinin finansal sıkıntının önceden tahmin edilmesine katkı sağlayabileceğini göstermektedir.