Rassal Orman ve XGBOOST algoritmalarının banka kârlılığını tahmin etme başarısının karşılaştırılması: Türk mevduat bankalarından kanıt

Makine öğrenimi teknikleri regresyon, sınıflandırma, kümeleme veya birliktelik kural çıkarımları olarak kullanılmaktadır. Dolayısıyla makine öğrenmenin en önemli uygulama alanlarından bir tanesi sınıflandırma olduğu ifade edilebilir. Bu çalışmada bankaların karlılığını etkileyen faktörlerin incelenmesi amaçlanmıştır. Bunun için 2010 ile 2020 yılları arası Türkiye'de faaliyet gösteren 27 banka, çalışmanın kapsamını oluşturmaktadır. Çalışmada hedef değişkenler aktif kârlılığı (ROA) ve özkaynak kârlılığı (ROE) kullanılmıştır. Girdi değişkenler ise; sermaye yeterliliği, varlık kalitesi, likidite, yönetim verimliliği ve banka büyüklüğüdür. Bu çalışmada bankaların karlılıklarını etkileyen faktörlerin ile birlikte Rassal Orman, XGBOOST algoritmaları ve Çoklu Doğrusal Regresyon ile incelenmesi amaçlanmıştır. Yöntemler her bir hedef değişkeni için hata ve açıklama düzeylerine göre karşılaştırılmıştır. Daha sonra "target shuffling" tekniği ile hedef değişkenin üzerinde etkili olan faktörler incelenmiştir. Sonuç olarak, ROA için yönetim verimliliği, banka büyüklüğü ve sermaye yapısının; ROE için yönetim verimliliği, banka büyüklüğü oranlarının en etkili olduğu bulgularına ulaşılmıştır. Jel Kodu: C38 – G00 Anahtar Kelimeler: Sınıflandırma, Banka Kârlılığı, Rassal Orman, XGBOOST