Bu çalışmanın amacı, Türkiye’de hayat dışı sigortacılık sektöründe aktif karlılığı ile firmaya özgü faktörler arasındaki ilişkiyi tespit ederek aktif kârlılığının etkinlikten mi yoksa yoğunlaşmadan mı kaynaklandığını belirlemektir. Bu amaçla, Türk sigorta sektöründe faaliyet gösteren 36 hayat dışı sigorta şirketi arasında 2015 yılı verilerine göre pazarın toplam %83.38’ini oluşturan 15 sigorta şirketinin 2010-2015 dönemine ait mali verileri ile performans ilişkisine yönelik Period SUR panel veri analizi yapılmıştır. Analiz sonuçlarına göre, aktif büyüklüğü, likidite ve pazar payı değişkenleri ile aktif karlılığı arasında pozitif ve istatistiki olarak anlamlı bir ilişki tespit edilmişken kaldıraç, hasar/prim oranı ve firma yaşı değişkenleri arasında ise negatif ve istatistiki olarak anlamlı bir ilişki tespit edilmiştir.  Analiz dönemi boyunca Herfindahl–Hirschman Endeksi değerleri 1.500’ün altında olduğu için Türkiye’de hayat dışı sigortacılık sektörünün yoğun olmayan bir piyasa görünümünde olduğu tespit edilmiştir. Bu nedenle, hayat dışı sigortacılık sektöründe aktif kârlılığı yoğunlaşmadan daha ziyade faaliyetlerdeki etkinlikten kaynaklanmaktadır.

In this study, Artificial Neural Networks (NN), C5.0 Classification Algorithm, Classification and Regression Trees (CART) analyses were used to predict the financial success/failure of 126 businesses that are operating in the BIST (Borsa İstanbul) Manufacturing Industry Sector. The data contains the years 2006 to 2009. In the study, 25 quantitative variable and 4 qualitative variable were used. The overall classification accuracy from the highest to the lowest of 3 years prior to successful-failure year (for 2006) is 84.21% for CART, 81.58% for ANN and 76.32% for C5.0, respectively. The overall classification accuracy from the highest to the lowest of 2 years prior to successful-failure year (for 2007) is 86.84% for CART, 84.21% for ANN, 78.95% for C5.0, respectively. The overall classification accuracy from the highest to the lowest of 1 year prior to successful-failure year (for 2008) is 92.11% for CART, 92.11 for ANN and 86.84% for C5.0, respectively. ANN and CART models are notable in terms of their ability to predict upcoming financial failure of unsuccessful businesses with 100% classification accuracy from a year ago. The prediction of the financial success/failure by the three models obtained in the study more than one, two and three years ago shows that the models used in this study can be included in the model used by those concerned.

In this study, stock price with the calculated next three-month average of five manufacturing industry companies in the Borsa İstanbul 30 Index and the Corporate Governance Index was predicted with the data of the 2010/3 and 2020/3 periods. The dataset consisted of quarterly nine financial statements and five macroeconomic variables with a three-month average of the sample companies. Artificial Neural Networks, Classification and Regression Tree, and K-Nearest Neighbor Algorithm were used as prediction methods. A 10-fold cross-validation method was used in all methods in the study. In Artificial Neural Networks, Classification and Regression Tree analysis, the models that gave the best results in line with the given parameter ranges were obtained by using the determining the best parameters and performance criteria function. According to the results of the analysis, general classification accuracy was achieved 98.05% for Artificial Neural Networks, 96.10% for Classification and Regression Tree, and 92.20% K-Nearest Neighbor Algorithm. "Net Profit Margin", "Price/Earning", "Profit Per Share", "CDS Premium (3-month average)", "Consumer Confidence Index" were found as important variables that divided the data into two in the creation of the Classification and Regression Tree (CART) analysis. This result shows that the models used in this study can be incorporated into the models used by investors.

Bu çalışma, 3. Uluslararası Ekonomi Araştırmaları ve Finansal Piyasalar Kongresinde (IERFM ) sözlü olarak sunulan "Borsa İstanbul'da İşlem Gören Şirketlerde Makine Öğrenmesi Yöntemleri Kullanılarak Mali Tablo Manipülasyonunun Tahmin Edilmesi" adlı tebliğde alınan eleştiri ve katkılar doğrultusunda genişletilmiş ve son şekli verilen halidir.

Bu çalışmada Borsa İstanbul İmalat Sanayi sektöründe faaliyet gösteren 51 manipüle edilmiş ve 51 manipüle edilmemiş toplam 102 işletmeye ait pay senedinin 3-9 ay öncesinden piyasa manipülasyonuna maruz kalıp kalmama durumu tahmin edilmiştir. İlgili şirketlerin mali tablo ve nitel verileri elde edilerek sınıflandırma için Yapay Sinir Ağları (ANN), Sınıflandırma ve Regresyon Ağacı (CART), C5.0 Karar Kuralı Türetme Algoritması ve Lojistik Regresyon (LR) yöntemleri kullanılmıştır. Genel sınıflandırma doğruluğu sırasıyla ANN (%86,67), CART (%80,00), C5.0 (%76,67) ve LR (%70,00) olarak bulunmuştur. C5.0 algoritması test örneğinde yer alan 15 manipüle edilen pay senetlerinin 14'ünü doğru tahmin ederek %93,33 sınıflandırma başarısı göstermiştir. ANN test örneğinde bulunan 15 manipüle edilmemiş pay senedinin 14'ünü doğru tahmin ederek %93,33 sınıflandırma başarısı göstermiştir. Bu çalışmada tüm yöntemler %70'in üzerinde tahmin performansı gösterdiğinden, ilgililerin yapacakları pay senedi manipülasyon tahmini analizlerine bu modeller de dahil edilebilecektir.