Normal view MARC view ISBD view

Finansal bilgi manipülasyonunun denetimli makina öğrenmesi yöntemleri kullanılarak tahmin edilmesi : Destek vektör makinesi, olasılıksal sinir ağı, k-en yakın komşu ve karar ağacı kullanımı / Osman Musa Aydın ; thesis advisor Ramazan Aktaş.

By: Aydın, Osman Musa [author].
Contributor(s): Aktaş, Ramazan [advisor] | TOBB Ekonomi ve Teknoloji Üniversitesi Sosyal Bilimler Enstitüsü.
Material type: materialTypeLabelBookPublisher: Ankara : TOBB ETÜ Sosyal Bilimleri Enstitüsü, 2019Description: xi, 58 pages : illustrations ; 30 cm.Content type: text Media type: unmediated Carrier type: volumeOther title: Use of concrete and its relationship with financial crisis: The case of Turkey [Parallel title].Subject(s): Dissertations, Academic | Finansal Bilgi Manipülasyonu | Denetimli Makine Öğrenmesi | SVM | PNN | KNN | DT | Beneish | Financial Information Manipulation | Supervised Machine LearningOnline resources: Ulusal Tez Merkezi Dissertation note: Tez (Yüksek Lisans)--TOBB ETÜ Sosyal Bilimler Enstitüsü Aralık 2019. Summary: Bu tez kapsamında finansal tablolardaki bilgilerin çarpıtılması olarak tanımlanabilecek finansal bilgi manipülasyonunu tahmin etmek için denetimli makina öğrenmesi yöntemleri kullanılmıştır. Geleneksel tahmin algoritmalarına göre daha yüksek performans gösteren destek vektör makinesi (SVM), olasılıksal sinir ağı (PNN), k-en yakın komşu (KNN) ve karar ağacı (DT) algoritmalarından yararlanılmıştır. Sermaye Piyasası Kurumundan elde edilen verilere ayrı ayrı tüm algoritmalarda uygulanarak daha önce benzer çalışmalarda başarısını kanıtlamış destek vektör makinesi ve olasılıksal sinir ağı yöntemlerinin güncel olarak kullanılan k-en yakın komşu ve karar ağacı algoritmalarıyla karşılaştırılmalı analizi yapılmıştır. Böylece finansal bilgi manipülasyonunda hangi algoritmaların daha iyi performans gösterdiği kullanılan yöntemlerin sınıflandırma performansı özgünlük, duyarlılık ve toplam sınıflandırma doğruluğu istatistiklerine bakılarak tespit edilmiştir. Yapılan çalışmalar sonucunda SVM ve PNN'in üstün performans gösterdiği görülmüştür. Bu nedenle, bu algoritmaların manipülasyonları otomatik olarak tespit etmek için kullanılabileceği söylenebilir.Summary: Within the scope of this thesis, traditional estimation algorithms and supervised machine learning methods are used to estimate the manipulation of financial information, which can be defined as distorting information in financial statements. Traditional estimation algorithms, such as logit, and supervised machine learning methods, which are support vector machine (SVM), probabilistic neural network (PNN), k-nearest neighbor (KNN) and decision tree (DT) algorithms, are utilized. According to the previous studies, support vector machine and probabilistic neural network algorithms perform higher than traditional estimation algorithms. Comparative analysis is made to decide better algorithm for classification by applying all algorithms separately to the data obtained from the Capital Market Board. Thus, it is determined which algorithms perform better in financial information manipulation by looking at performance of classification accuracy, sensitivity and specificity statistics. SVM and PNN have shown superior performance. So that it can be said that these algorithms can be used to detect manipulation in automated manner.
Tags from this library: No tags from this library for this title. Log in to add tags.
    average rating: 0.0 (0 votes)
Item type Current location Collection Call number Copy number Status Date due Barcode
Thesis Thesis Merkez Kütüphane
Tez Koleksiyonu / Thesis Collection
Tezler TEZ TOBB SBE İŞL YL’19 AYDf (Browse shelf) 1 Ödünç Verilemez-Tez / Not For Loan-Thesis

Tez (Yüksek Lisans)--TOBB ETÜ Sosyal Bilimler Enstitüsü Aralık 2019.

Bu tez kapsamında finansal tablolardaki bilgilerin çarpıtılması olarak tanımlanabilecek finansal bilgi manipülasyonunu tahmin etmek için denetimli makina öğrenmesi yöntemleri kullanılmıştır. Geleneksel tahmin algoritmalarına göre daha yüksek performans gösteren destek vektör makinesi (SVM), olasılıksal sinir ağı (PNN), k-en yakın komşu (KNN) ve karar ağacı (DT) algoritmalarından yararlanılmıştır. Sermaye Piyasası Kurumundan elde edilen verilere ayrı ayrı tüm algoritmalarda uygulanarak daha önce benzer çalışmalarda başarısını kanıtlamış destek vektör makinesi ve olasılıksal sinir ağı yöntemlerinin güncel olarak kullanılan k-en yakın komşu ve karar ağacı algoritmalarıyla karşılaştırılmalı analizi yapılmıştır. Böylece finansal bilgi manipülasyonunda hangi algoritmaların daha iyi performans gösterdiği kullanılan yöntemlerin sınıflandırma performansı özgünlük, duyarlılık ve toplam sınıflandırma doğruluğu istatistiklerine bakılarak tespit edilmiştir. Yapılan çalışmalar sonucunda SVM ve PNN'in üstün performans gösterdiği görülmüştür. Bu nedenle, bu algoritmaların manipülasyonları otomatik olarak tespit etmek için kullanılabileceği söylenebilir.

Within the scope of this thesis, traditional estimation algorithms and supervised machine learning methods are used to estimate the manipulation of financial information, which can be defined as distorting information in financial statements. Traditional estimation algorithms, such as logit, and supervised machine learning methods, which are support vector machine (SVM), probabilistic neural network (PNN), k-nearest neighbor (KNN) and decision tree (DT) algorithms, are utilized. According to the previous studies, support vector machine and probabilistic neural network algorithms perform higher than traditional estimation algorithms. Comparative analysis is made to decide better algorithm for classification by applying all algorithms separately to the data obtained from the Capital Market Board. Thus, it is determined which algorithms perform better in financial information manipulation by looking at performance of classification accuracy, sensitivity and specificity statistics. SVM and PNN have shown superior performance. So that it can be said that these algorithms can be used to detect manipulation in automated manner.

This software was implemented, installed by Devinim Software Training Consulting .