MUHASEBE TEMELLİ ORANLARLA ÖZKAYNAK KÂRLILIĞININ MAKİNE ÖĞRENMESİ ALGORİTMALARIYLA TAHMİNİ: BORSA İSTANBUL’DA İŞLEM GÖREN GIDA VE İÇECEK ŞİRKETLERİ ÜZERİNE BİR UYGULAMA
Mali Çözüm, cilt.36, sa.197, ss.1549-1574, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 36 Sayı: 197
- Basım Tarihi: 2026
- Dergi Adı: Mali Çözüm
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.1549-1574
- Akdeniz Üniversitesi Adresli: Evet
Özet
Bu çalışma, makine öğrenimi yaklaşımlarını kullanarak Borsa İstanbul (BIST) Gıda ve İçecek Endeksi’nde (XGIDA) işlem gören şirketlerin özkaynak kârlılığını (RoE) tahmin etmeyi amaçlamaktadır. Araştırma kapsamında, 2000 ile 2023 yılları arasında BIST Gıda ve İçecek Endeksi’nde işlem gören 17 şirketin muhasebe temelli finansal oranları kullanılmıştır. Likidite, finansal yapı, faaliyet ve büyüme gruplarından toplam 40 oran, aday bağımsız değişkenler olarak alınmış; nihai bağımsız değişkenler kümesini belirlemek için her şirket için özellik seçimi uygulanmış ve RoE, bağımlı değişken olarak modellenmiştir. Bu çerçevede, finansal performans tahmini için muhasebe ve finans literatüründe sıklıkla kullanılan makine öğrenimi yöntemleri olan Yapay Sinir Ağları, Destek Vektör Regresyonu ve Rastgele Ormanlar kullanılarak her şirket için ayrı tahmin modelleri oluşturulmuştur. Modellerin performansı, hata ölçütleri ve R² (belirleme katsayısı) kullanılarak açıklayıcı güç açısından karşılaştırılmıştır. Bulgular, özellikle Yapay Sinir Ağları algoritmasının RoE tahmininde daha yüksek bir doğruluk sağladığını göstermektedir. Ayrıca, değişken seçimi süreci, özsermaye büyüme oranı, kısa vadeli borçların toplam varlıklara oranı ve satış büyümesi gibi göstergelerin RoE’de belirleyici bir rol oynadığını ortaya koymaktadır. Çalışmanın sonuçları, muhasebe bilgi sistemlerinden elde edilen verilerin sadece geçmiş performansı değerlendirmede değil, aynı zamanda gelecek için karar destek mekanizmaları oluşturmada da etkili bir şekilde kullanılabileceğini göstermektedir.
This study aims to predict the return on equity (RoE) of companies listed on the Borsa Istanbul (BIST) Food and Beverage Index (XGIDA) using machine learning approaches. Within the scope of the research, accounting-based financial ratios of 17 companies listed on the BIST Food and Beverage Index between 2000 and 2023 were used. A total of 40 ratios in the liquidity, financial structure, activity and growth groups were taken as candidate independent variables; feature selection was applied for each company to determine the final set of independent variables, and RoE was modelled as the dependent variable. Within this framework, separate prediction models were established for each company using Artificial Neural Networks, Support Vector Regression, and Random Forests, which are among the machine learning methods frequently used in accounting and finance literature for financial performance prediction. The performance of the models was compared based on error metrics and explanatory power using R² (coefficient of determination). The findings indicate that the Artificial Neural Networks algorithm, in particular, provides higher accuracy in RoE prediction. Furthermore, the variable selection process reveals that indicators such as the equity growth rate, the ratio of short-term debt to total assets, and sales growth play a decisive role in RoE. The results of the study demonstrate that data obtained from accounting information systems can be used effectively not only in evaluating past performance but also in creating decision support mechanisms for the future.