Finansal Tablo Hileleri’nin Makine Öğrenmesi Yöntemleri ve Lojistik Regresyon Kullanılarak Tahmin Edilmesi: Borsa İstanbul Örneği

Aksoy, Barış

doi:10.33203/mfy.733855

Cited by 4 publications

(3 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ye, Xiang, and Gan (2019) investigated the use of data mining techniques such as Random Forest (RF), Artificial Neural Networks (ANNs), Logistics Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), and Bayesian Networks (BN) in detecting financial statement fraud using published financial disclosures. Aksoy (2021), in the research conducted on companies traded in Borsa Istanbul, used a model created to predict financial statement fraud in companies one year in advance using data mining. Kırda and Katkat Özçelik (2021) conducted research to identify companies that are at risk of financial statement fraud with K-Nearest Neighbor (KNN), Random Forest (RF), and XGBoost (XGB), which are classification methods of data mining.…”

Section: Data Mining In Fraud Detectionmentioning

confidence: 99%

Detection of fraudulent transactions using artificial neural networks and decision tree methods

IŞIK

Kefe

Sağlar

2023

bmij

View full text Add to dashboard Cite

The accounting systems generate a large amount of data due to financial transactions. Intentionally fraudulent transactions can occur in high-dimensional and large numbers of emerging data. While many methods can be used for the estimation and detection of fraudulent transactions in accounting, which differ in the audit process, scope and application method, data mining methods can also be used today due to a large number of data and the desire not to narrow the scope of the audit. This study tested the accuracy of detecting fraudulent transactions using artificial neural networks and decision tree methods. According to the results of the analysis test data set for detecting fraud or error risk, 99.7981% accuracy was obtained in the artificial neural networks method and 99.9899% in the decision tree method.

show abstract

Section: Data Mining In Fraud Detectionmentioning

confidence: 99%

Detection of fraudulent transactions using artificial neural networks and decision tree methods

IŞIK

Kefe

Sağlar

2023

bmij

View full text Add to dashboard Cite

show abstract

“…Küçükkocaoğlu, Benli ve Küçüksözen (2007), finansal bilgi manipülasyonunu ölçtükleri YSA modellerinin doğru sınıflandırma olasılığını %86.17 düzeyinde açıklamışlardır. Aksoy (2021), Borsa İstanbul şirketlerinin finansal bilgi manipülasyonlarını ölçmedeki başarısını %96,15 oranı ile açıklamıştır.…”

Section: Sonuçunclassified

“…Yazarlar çalışmaları sonucundan, Türkiye'deki şirketlerin finansal bilgi manipülasyonuna başvurma olasılıklarının yüksek olduğunu ifade etmişlerdir. Aksoy (2021) (Altman,1968, s.606-607) Tablo 1' de görüldüğü üzere, Altman modeli sonuçuna göre elde edilen Z skoru, işletmelerin iflasa ne derece yakın olduklarını göstermektedir (Altman, 1968).…”

Section: Introductionunclassified

Detection of Financial Statement Manipulations Through Artificial Neural Networks

ÖZPARLAK¹

2021

Erciyes Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi

View full text Add to dashboard Cite

Halka açık şirketlerin, gerçeğe aykırı bilgileri açıklayarak, finansal bilgi manipülasyonuna başvurmaları şirket ortaklarının ve ülke ekonomisinin zarara uğramasına neden olmaktadır. Bu kapsamda, bu çalışmanın iki amacı bulunmaktadır. Birinci amacı, Covid-19 salgının yarattığı ekonomik kriz ortamında, Borsa İstanbul'da yer alan şirketlerin finansal bilgi manipülasyonuna başvurup vurmadıkları ihtimalinin Beneish modeli ile analiz edilmesidir. İkinci amacı, teknolojinin gelişmesi ile beraber yaygın olarak kullanılmaya başlanılan yapay sinir ağlarının finansal bilgi manipülasyonunu ölçmedeki performansının değerlendirilmesidir. Araştırma sonuçlarına göre, çalışmadaki 264 şirketten %43'ünün (113 adet) çeşitli seviyelerde finansal bilgi manipülasyonu yapmış olabileceği tespit edilmiştir. Altman Z skoruna göre, finansal başarısızlık ihtimali bulunmayan, güvenli bölgedeki 135 şirketin %47'sinin (64 adet) finansal bilgi manipülasyonu yapmış olabileceğine dair olasılık ve bulgular vardır. Buna karşın, Altman Z skoruna göre, finansal başarısızlık ihtimali yüksek olan, tehlikeli bölgedeki 74 şirketten %45'inin (33 adet) çeşitli seviyelerde finansal bilgi manipülasyonuna başvurmuş olabileceği görülmüştür. Araştırmanın diğer sonuçlarına göre, Altman skoru sonuçları üzerine kurgulanan ve yapay sinir ağlarıyla gerçekleştirilen modelin doğru sınıflandırma oranı, eğitim seti verisi için %99,53 seviyesinde ve test seti verisi için %98,11 seviyesindedir. Beneish modelinin sonuçları üzerine kurgulanan ve yapay sinir ağlarıyla gerçekleştirilen modelin doğru sınıflandırma oranı, eğitim seti verisi için %96,21 seviyesinde ve test seti verisi için %86,80 seviyesindedir.

show abstract

Karar Ağacı Destekli Hile Tespiti ve Bir Uygulama

GÜR>

2023

Alanya Akademik Bakış

View full text Add to dashboard Cite

Çalışmada, Sertifikalı Hile Denetçileri Birliği’nin (ACFE) hile ağacında yer alan ve işletmelerde sıklıkla karşılaşılan hileli ödemelerin verdiği zararı azaltmak için makine öğrenmesi yönteminin kullanıldığı bir uygulama ile hile tespit sürecine katkının sağlanması amaçlanmıştır. Bu amaçla, elde edilmek istenen çıktılar için Python’da bir uygulama sistemi tasarlanmıştır. Çalışmada, bir bankaya ait normal işlemler ile hileli işlemlerin yer aldığı yapay veri setinden yararlanılmıştır. Yöntem olarak kullanılmasına karar verilen Karar Ağacı tekniğiyle önce sınıf etiketleri bilinen bir veri setiyle ana model oluşturulmuş, sonra etiketsiz bir veri seti üzerinde modelin test edilmesi sağlanmıştır. Karar ağacı tekniğinin modeli, %97,1 doğruluk, %98,4 f1-skor, %98,9 kesinlik ve %98 duyarlılık değerlerini elde etmiştir. Çalışma, karar ağacı tekniğinin tahmin aşamasında ürettiği hatalı sınıf etiketlerinin azaltılması açısından iyileştirmeye açık olup, diğer tekniklerle karşılaştırılarak da geliştirilebilir.

show abstract

Finansal Tablo Hileleri’nin Makine Öğrenmesi Yöntemleri ve Lojistik Regresyon Kullanılarak Tahmin Edilmesi: Borsa İstanbul Örneği

Cited by 4 publications

References 9 publications

Detection of fraudulent transactions using artificial neural networks and decision tree methods

Detection of fraudulent transactions using artificial neural networks and decision tree methods

Detection of Financial Statement Manipulations Through Artificial Neural Networks

Karar Ağacı Destekli Hile Tespiti ve Bir Uygulama

Contact Info

Product

Resources

About