Borsa İstanbul’da Sektör Sınıflandırmasının Kümeleme Analizi İle Belirlenmesi

Gazel, Sümeyra; Akel, Veli

doi:10.25095/mufad.401472

Cited by 8 publications

(5 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The two-stage clustering analysis produced two clusters with a medium quality. Gazel and Akel (2018) attempted to determine the BIST sector classification through cluster analysis in their study. It was discovered that some stocks were clustered according to their sector classification in the analyses carried out using hierarchical agglomerative clustering analysis.…”

Section: Literature Reviewmentioning

confidence: 99%

“…Akyuz et al (2012) used the alignment of clusters via financial ratios of manufacturing firms with their respective sectors. Ozkan and Boran (2014) examined clusters of firms in the manufacturing sector, while Ari et al (2016) and Gazel and Akel (2018) analyzed the financial performance and sector classification compatibility of firms listed on BIST (Borsa Istanbul).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Predicting Financial Distress in the BIST Industrials Index: Evaluating Traditional Models and Clustering Techniques

GÜLAL,

SEÇME,

KÖSE

2023

EPF Journal

View full text Add to dashboard Cite

Financial distress, which can lead to bankruptcy or liquidation, is important for companies, creditors, investors, and the economy. Recent financial crises and global economic fluctuations have brought this issue to the forefront. In an effort to foresee financial distress, methods like Altman's Z-score have been proposed while, recent developments have allowed for the incorporation of recent techniques like machine learning. The purpose of this study is to forecast the emergence of financial distress in BIST Industrials Index (XUSIN) companies by using the k-means clustering algorithm, Altman Z-score and Springate S-score models with firm level financial indicators where we investigated successful and unsuccessful companies. Our findings show that two companies met all three Altman Z-score, Zꞌ-score, S-score and financial situation criteria in 2011, 2012, 2015, and 2017; 2 companies in 2016 and 2018; 5 companies in 2013 and 2014; 4 companies in 2019; 1 company in 2020 where no companies are grouped in the same groups in 2021, which means the methods reach different results. It has been determined that the k-means clustering algorithm, particularly due to its higher separability, provides more accurate clustering results for the concerned parties compared to other methods.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Predicting Financial Distress in the BIST Industrials Index: Evaluating Traditional Models and Clustering Techniques

GÜLAL,

SEÇME,

KÖSE

2023

EPF Journal

View full text Add to dashboard Cite

show abstract

“…Tekin & Temelli (2020a) Türkiye'de faaliyet gösteren ticari bankaları yedi farklı sermaye yeterlilik rasyosuna göre kümelemişler ve benzerliklerini incelemişlerdir. Borsa İstanbul'da farklı sektör endeksleri içinde yer alan hisse senetlerini geçmiş fiyat verilerine göre kümeleyen Gazel & Akel (2018) hiyerarşik kümeleme yöntemlerini kullanılmışlar ve Ward yönteminin BIST100'deki sektör sınıflandırmasına en benzer sonuçları verdiğini bulmuşlardır. Hiyerarşik ve hiyerarşik olmayan üç kümeleme yönteminin birlikte kullanıldığı çalışmada (Tekin, 2018) finansal göstergeler kullanılarak Borsa İstanbul'da işlem gören 69 hisse senedi gruplandırılmış; Ward, k-ortalamalar ve iki adımlı kümeleme yöntemleri ile benzer kümeleme sonuçlarına ulaşılmıştır.…”

Section: Literatür İncelemesiunclassified

Ekonomik Faaliyet Kollarında COVID-19 Pandemi Etkisinin Çok Boyutlu Ölçekleme ve K-Ortalamalar Kümeleme Analiziyle İncelenmesi

Atalay¹

2022

ekoist

View full text Add to dashboard Cite

ÖzCOVID-19 pandemisinin tüm dünyaya yayılmasıyla ekonomik faaliyetlerde küresel bazda önemli değişiklikler meydana gelmiştir. Türkiye bu durumdan global ve lokal bazda önemli düzeyde etkilenen ülkelerdendir. Çeşitli ekonomik faaliyet kollarında iş yeri ve istihdam sayıları bu etkinin gözlenebildiği önemli göstergelerdendir. Bu çalışmada; pandeminin hemen öncesi (2019 yılı) ile hızlı ve yoğun olarak görüldüğü erken dönem (2020 yılı) iş yeri sayıları ve zorunlu sigortalı çalışan sayıları, iller bazında incelenerek faaliyet kollarına göre pandeminin etkisinin ortaya çıkarılması amaçlanmıştır. Yöntem olarak istatistiksel veri analizi ve veri madenciliği tekniklerinden çok boyutlu ölçekleme ve kümeleme analizleri kullanılmıştır. Bu yöntemler yardımıyla elde edilen bulgular görselleştirilmiş ve çalışmanın amacı doğrultusunda yorumlanmıştır. Elde edilen sonuçlara göre, iki yılın verileri karşılaştırıldığında, toplamda iş yeri sayısı ve zorunlu sigortalı çalışan sayısının arttığı görülmüştür. Faaliyet kolları bazında sonuçlar incelendiğinde değişimlerdeki pandemi etkisi göze çarpmaktadır. Mobiliteye dayalı ve pandemi tedbirlerinin engellediği faaliyet alanlarının iş yeri ve çalışan sayısı bakımından azalma yönünde etkilendiği görülmüştür. Öte yandan bu kısıtlamaların özellikle perakendecilik sektörlerini dijital ortamlara taşıyarak e-ticarette büyümeye sebep olması, posta ve kargo faaliyetlerinde yüksek oranlı artışa neden olmuştur. Bunun yanı sıra evde bakım faaliyetlerinin de pandemi etkisiyle en fazla artışın olduğu kollardan olduğu sonucuna ulaşılmıştır.

show abstract

“…Ele alınan bu hisse senetleri hiyerarşik kümeleme analizi teknikleri ile incelenmiştir. Yapılan analiz sonucunda Ward tekniğinin diğer bağlantı tekniklerinden daha iyi neticeler ortaya koyduğu görülmüştür (Gazel & Akel, 2018 gösteren bir banka şubesine ait 200 müşterinin 12 farklı değişken göz önünde bulundurularak müşteri profillerine göre satış stratejilerinin geliştirilmesi amaçlanmıştır. Çalışma sırasında K-Ortalamalar tekniğinden yararlanılmıştır.…”

Section: Mishra Ve Tripathy Tarafından 2018 Yılında Yapılan Bu Araştıunclassified

Güncel Gelişmeler Işığında Kripto Paraların Kümelenmesi

KOCABIYIK¹

2020

TurkishStudies

View full text Add to dashboard Cite

The cryptocurrency market has been in constant growth over the past decade. Cryptocurrencies have a market value of $ 216 billion and daily trading volumes of $ 154 billion. Bitcoin takes the lead among 64 cryptocurrencies with a market share of 64%. Although the transaction volume reaches a certain size, market uncertainties cause confusion for investors. It is thought that academic studies should be carried out on this subject in order to eliminate the uncertainties. For this purpose, in this research, cryptocurrencies that have a significant size in the market are clustered according to various criteria. The research was carried out with 17 cryptocurrencies, the largest of which is available, according to market value. The widest date range in which data is available for all cryptocurrencies has been tried to be included in the analysis. In this context, daily data between 02 April 2020 and 20 June 2019 were used. Cryptocurrencies address numbers, market values, prices, returns, supply amount, number of transactions, transaction volume and volatility were used as cluster criteria. In order to perform cluster analysis in WEKA program, the averages of the independent variables in this date range were taken. While performing the analysis, the data was divided into 3 periods as whole data set, before and after corona. Thus, it was observed whether there were any structural changes in the crypto money market during the corona virus period. While performing cluster analysis, Ward, Full Connection and Single Connection techniques, one of the hierarchical clustering algorithms, were used. Considering the results of the study, all algorithms clustered Bitcoin separately from other cryptocurrencies in all periods. A very distinct bitcoin, altcoin distinction is made. Again according to three algorithms; there is no significant difference in cluster results before and after corona virus. In terms of clustering cryptocurrencies, it generally yielded similar results in three algorithms.

show abstract

Borsa İstanbul’da Sektör Sınıflandırmasının Kümeleme Analizi İle Belirlenmesi

Cited by 8 publications

References 1 publication

Predicting Financial Distress in the BIST Industrials Index: Evaluating Traditional Models and Clustering Techniques

Predicting Financial Distress in the BIST Industrials Index: Evaluating Traditional Models and Clustering Techniques

Ekonomik Faaliyet Kollarında COVID-19 Pandemi Etkisinin Çok Boyutlu Ölçekleme ve K-Ortalamalar Kümeleme Analiziyle İncelenmesi

Güncel Gelişmeler Işığında Kripto Paraların Kümelenmesi

Contact Info

Product

Resources

About