Predicting Financial Distress in the BIST Industrials Index: Evaluating Traditional Models and Clustering Techniques
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'...
Saved in:
Published in | Ekonomi, Politika & Finans Araştırmaları Dergisi Vol. 8; no. 4; pp. 660 - 680 |
---|---|
Main Authors | , , |
Format | Journal Article |
Language | Turkish |
Published |
30.12.2023
|
Online Access | Get full text |
Cover
Loading…
Abstract | 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.
Firmalar, kredi verenler, yatırımcılar ve bir bütün olarak ekonomi için bir firmanın iflas veya tasfiyesi ile sonuçlanabilecek finansal sıkıntı kavramı çok önemli bir konudur. Son dönemde yaşanan finansal krizler ve küresel ekonomik dalgalanmalar bu konunun önemini artırmıştır. Önceki çalışmalar göz önünde bulundurulduğunda, finansal sıkıntıyı öngörmek amacıyla Altman Z-skoru gibi yöntemlerin geliştirildiği görülmektedir. Fakat son dönemlerde makine öğrenmesi gibi yeni tekniklerin de bu amaçla kullandığı görülmektedir. Bu çalışmanın amacı, k-ortalamalar kümeleme algoritması ile Altman Z-skoru ve Springate S-skoru modellerinden faydalanarak, BIST Sanayi Endeksi (XUSIN) firmalarında finansal sıkıntıyı tahmin etmektir. Araştırmanın bulgularına göre iki firma 2011, 2012, 2015 ve 2017 yıllarında Altman z-skoru, Zꞌ-skoru, S-skoru ve mali durum kriterlerinin üçünü de karşılamaktayken, 2016 ve 2018 yıllarında 2 firma, 2013 ve 2014 yıllarında 5 firma, 2019 yılında 4 firma, 2020 yılındaysa 1 firma bu kriterleri karşılamaktadır. 2021 yılına bakıldığında hiçbir şirketin aynı gruplarda gruplanmadığı görülmektedir. Bu durum kullanılan yöntemlerin farklı sonuçlara ulaştığı anlamına gelmektedir. Özellikle k-means kümeleme algoritmasının, daha yüksek ayırıcı özelliği sayesinde ilgili taraflar için, diğer yöntemlere göre daha doğru kümeleme sonuçları verdiği tespit edilmiştir. |
---|---|
AbstractList | 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.
Firmalar, kredi verenler, yatırımcılar ve bir bütün olarak ekonomi için bir firmanın iflas veya tasfiyesi ile sonuçlanabilecek finansal sıkıntı kavramı çok önemli bir konudur. Son dönemde yaşanan finansal krizler ve küresel ekonomik dalgalanmalar bu konunun önemini artırmıştır. Önceki çalışmalar göz önünde bulundurulduğunda, finansal sıkıntıyı öngörmek amacıyla Altman Z-skoru gibi yöntemlerin geliştirildiği görülmektedir. Fakat son dönemlerde makine öğrenmesi gibi yeni tekniklerin de bu amaçla kullandığı görülmektedir. Bu çalışmanın amacı, k-ortalamalar kümeleme algoritması ile Altman Z-skoru ve Springate S-skoru modellerinden faydalanarak, BIST Sanayi Endeksi (XUSIN) firmalarında finansal sıkıntıyı tahmin etmektir. Araştırmanın bulgularına göre iki firma 2011, 2012, 2015 ve 2017 yıllarında Altman z-skoru, Zꞌ-skoru, S-skoru ve mali durum kriterlerinin üçünü de karşılamaktayken, 2016 ve 2018 yıllarında 2 firma, 2013 ve 2014 yıllarında 5 firma, 2019 yılında 4 firma, 2020 yılındaysa 1 firma bu kriterleri karşılamaktadır. 2021 yılına bakıldığında hiçbir şirketin aynı gruplarda gruplanmadığı görülmektedir. Bu durum kullanılan yöntemlerin farklı sonuçlara ulaştığı anlamına gelmektedir. Özellikle k-means kümeleme algoritmasının, daha yüksek ayırıcı özelliği sayesinde ilgili taraflar için, diğer yöntemlere göre daha doğru kümeleme sonuçları verdiği tespit edilmiştir. |
Author | GÜLAL, Ömer Serkan SEÇME, Gökhan KÖSE, Eda |
Author_xml | – sequence: 1 givenname: Ömer Serkan orcidid: 0000-0003-0391-8709 surname: GÜLAL fullname: GÜLAL, Ömer Serkan – sequence: 2 givenname: Gökhan orcidid: 0000-0002-7098-1583 surname: SEÇME fullname: SEÇME, Gökhan – sequence: 3 givenname: Eda orcidid: 0000-0002-9537-3672 surname: KÖSE fullname: KÖSE, Eda |
BookMark | eNqVj8FOwkAQhjcEE1C4et4XoO7SkrYcRYgcTEzsgdtm053KmDLFna3Rt3dtOHjlNH9m_m-S71aMqSMQ4l6rJFV5kT3AubEu0WmuijIdielyVeQLvdKH8b88EXPmD6XUsix1nmVTEV49OKwD0rvcIVmq0bbyCTl4YJZIMhxBPu7fKrkn18d1vPNfhu-13H7ZtrcDXHnrMGBHEX_pHMSSJSc3bWTADw2oj4SfPfBM3DTxC8wv804ku221eV7UvmP20Jizx5P1P0YrM-iZQc9c9NKrgV9HOlx3 |
Cites_doi | 10.1016/0377-2217(95)00070-4 10.1111/jifm.12053 10.1111/j.1540-6261.1994.tb00086.x 10.1007/978-1-4302-5990-9_1 10.17671/btd.55726 10.21121/eab.2014118075 10.1088/1757-899X/1098/5/052103 10.5958/2321-2012.2020.00018.4 10.1108/17538391111144498 10.1080/20430795.2021.2017257 10.17130/10.17130/ijmeb.2016.12.27.1076 10.1016/S0957-4174(02)00051-9 10.1007/978-1-4757-2885-9 10.1108/RAF-07-2022-0207 10.15295/bmij.v9i1.1594 10.1002/j.1538-7305.1957.tb02410.x 10.1016/j.jbankfin.2015.12.001 10.1016/j.dss.2022.113814 10.1155/2022/9038992 10.1108/APJBA-06-2021-0277 10.1016/j.ejor.2006.08.043 10.1016/j.jcorpfin.2015.12.009 10.1016/j.ejor.2011.10.021 10.1023/A:1008713823812 10.14453/aabfj.v10i4.6 10.17261/Pressacademia.2021.1375 10.18196/jai.18164 10.1016/j.ejor.2004.11.009 10.2307/2490859 10.25095/mufad.401472 10.2307/2490171 10.25095/mufad.396578 10.21511/imfi.20(2).2023.04 10.1016/j.inffus.2011.12.001 10.1016/0378-4266(77)90017-6 10.24843/EJA.2019.v26.i01.p10 10.7763/IJTEF.2014.V5.425 10.1080/23311975.2022.2142997 10.2307/2490395 10.1007/BF02755985 10.1016/j.ins.2008.09.003 10.1109/ICoICT.2019.8835198 10.1016/j.ipm.2022.102988 10.1111/j.1468-5957.1996.tb01149.x 10.1111/j.1540-6261.1985.tb04949.x 10.1016/0378-4266(84)90004-9 10.31795/baunsobed.645223 10.20491/isarder.2021.1239 10.30798/makuiibf.911548 10.21121/eab.1027084 10.1016/j.econmod.2010.09.003 10.1111/j.1540-6261.1968.tb00843.x 10.1007/s10614-021-10227-1 |
ContentType | Journal Article |
DBID | AAYXX CITATION |
DOI | 10.30784/epfad.1370893 |
DatabaseName | CrossRef |
DatabaseTitle | CrossRef |
DatabaseTitleList | CrossRef |
DeliveryMethod | fulltext_linktorsrc |
EISSN | 2587-151X |
EndPage | 680 |
ExternalDocumentID | 10_30784_epfad_1370893 |
GroupedDBID | AAYXX ALMA_UNASSIGNED_HOLDINGS CITATION GROUPED_DOAJ IEBAR M~E |
ID | FETCH-crossref_primary_10_30784_epfad_13708933 |
ISSN | 2587-151X |
IngestDate | Thu Sep 26 16:32:51 EDT 2024 |
IsPeerReviewed | true |
IsScholarly | true |
Issue | 4 |
Language | Turkish |
LinkModel | OpenURL |
MergedId | FETCHMERGED-crossref_primary_10_30784_epfad_13708933 |
ORCID | 0000-0003-0391-8709 0000-0002-9537-3672 0000-0002-7098-1583 |
ParticipantIDs | crossref_primary_10_30784_epfad_1370893 |
PublicationCentury | 2000 |
PublicationDate | 2023-12-30 |
PublicationDateYYYYMMDD | 2023-12-30 |
PublicationDate_xml | – month: 12 year: 2023 text: 2023-12-30 day: 30 |
PublicationDecade | 2020 |
PublicationTitle | Ekonomi, Politika & Finans Araştırmaları Dergisi |
PublicationYear | 2023 |
References | ref13 ref57 ref12 ref56 ref15 ref59 ref14 ref58 ref53 ref52 ref11 ref10 ref54 ref17 ref16 ref19 ref18 ref51 ref50 ref46 ref45 ref48 ref47 ref42 ref41 ref44 ref43 cr-split#-ref55.1 cr-split#-ref55.2 ref49 ref8 ref7 ref9 ref4 ref3 ref6 ref5 ref40 ref35 ref34 ref37 ref36 ref31 ref30 ref33 ref32 cr-split#-ref65.2 ref2 ref1 ref39 ref38 cr-split#-ref65.1 ref24 ref68 ref23 ref67 ref26 ref25 ref20 ref64 ref63 ref22 ref66 ref21 ref28 ref27 ref29 ref60 ref62 ref61 |
References_xml | – ident: ref22 doi: 10.1016/0377-2217(95)00070-4 – ident: ref13 doi: 10.1111/jifm.12053 – ident: ref45 doi: 10.1111/j.1540-6261.1994.tb00086.x – ident: ref16 doi: 10.1007/978-1-4302-5990-9_1 – ident: ref14 doi: 10.17671/btd.55726 – ident: ref30 – ident: ref46 doi: 10.21121/eab.2014118075 – ident: ref61 – ident: ref5 doi: 10.1088/1757-899X/1098/5/052103 – ident: ref33 doi: 10.5958/2321-2012.2020.00018.4 – ident: ref52 doi: 10.1108/17538391111144498 – ident: ref6 – ident: ref23 doi: 10.1080/20430795.2021.2017257 – ident: ref40 doi: 10.17130/10.17130/ijmeb.2016.12.27.1076 – ident: #cr-split#-ref55.1 doi: 10.1016/S0957-4174(02)00051-9 – ident: ref67 doi: 10.1007/978-1-4757-2885-9 – ident: ref31 doi: 10.1108/RAF-07-2022-0207 – ident: ref36 doi: 10.15295/bmij.v9i1.1594 – ident: ref42 doi: 10.1002/j.1538-7305.1957.tb02410.x – ident: ref20 doi: 10.1016/j.jbankfin.2015.12.001 – ident: ref63 doi: 10.1016/j.dss.2022.113814 – ident: ref47 – ident: #cr-split#-ref65.2 doi: 10.1155/2022/9038992 – ident: ref28 doi: 10.1108/APJBA-06-2021-0277 – ident: ref51 doi: 10.1016/j.ejor.2006.08.043 – ident: ref54 – ident: ref7 doi: 10.1016/j.jcorpfin.2015.12.009 – ident: ref12 – ident: ref21 doi: 10.1016/j.ejor.2011.10.021 – ident: ref3 – ident: ref68 doi: 10.1023/A:1008713823812 – ident: ref43 doi: 10.14453/aabfj.v10i4.6 – ident: ref53 doi: 10.17261/Pressacademia.2021.1375 – ident: ref58 – ident: ref29 doi: 10.18196/jai.18164 – ident: ref27 doi: 10.1016/j.ejor.2004.11.009 – ident: ref4 doi: 10.1108/17538391111144498 – ident: ref66 doi: 10.2307/2490859 – ident: ref26 doi: 10.25095/mufad.401472 – ident: #cr-split#-ref65.1 doi: 10.1155/2022/9038992 – ident: ref18 doi: 10.2307/2490171 – ident: ref62 doi: 10.25095/mufad.396578 – ident: ref39 doi: 10.21511/imfi.20(2).2023.04 – ident: ref48 – ident: ref60 doi: 10.1016/j.inffus.2011.12.001 – ident: ref11 doi: 10.1016/0378-4266(77)90017-6 – ident: ref32 – ident: ref1 doi: 10.24843/EJA.2019.v26.i01.p10 – ident: ref15 – ident: ref50 doi: 10.7763/IJTEF.2014.V5.425 – ident: ref34 doi: 10.1080/23311975.2022.2142997 – ident: ref44 doi: 10.2307/2490395 – ident: ref49 doi: 10.1007/BF02755985 – ident: ref41 doi: 10.1016/j.ins.2008.09.003 – ident: ref38 doi: 10.1109/ICoICT.2019.8835198 – ident: ref64 doi: 10.1016/j.ipm.2022.102988 – ident: ref59 doi: 10.1111/j.1468-5957.1996.tb01149.x – ident: ref25 doi: 10.1111/j.1540-6261.1985.tb04949.x – ident: #cr-split#-ref55.2 – ident: ref57 doi: 10.1016/0378-4266(84)90004-9 – ident: ref8 doi: 10.31795/baunsobed.645223 – ident: ref56 – ident: ref24 doi: 10.20491/isarder.2021.1239 – ident: ref37 doi: 10.30798/makuiibf.911548 – ident: ref2 doi: 10.21121/eab.1027084 – ident: ref10 – ident: ref35 – ident: ref17 doi: 10.1016/j.econmod.2010.09.003 – ident: ref9 doi: 10.1111/j.1540-6261.1968.tb00843.x – ident: ref19 doi: 10.1007/s10614-021-10227-1 |
SSID | ssj0002991744 |
Score | 4.5557117 |
Snippet | Financial distress, which can lead to bankruptcy or liquidation, is important for companies, creditors, investors, and the economy. Recent financial crises and... |
SourceID | crossref |
SourceType | Aggregation Database |
StartPage | 660 |
Title | Predicting Financial Distress in the BIST Industrials Index: Evaluating Traditional Models and Clustering Techniques |
Volume | 8 |
hasFullText | 1 |
inHoldings | 1 |
isFullTextHit | |
isPrint | |
link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV3NT8IwFG8QL16MRo3f6UHigQzHYB94A4SgojEBE26kW0ckQyRjXPwb_aN8ry3rIBzQy9J17aPs_fLea_f6KyE3JjNHbhAGBoNo2UBGLsMDx2YEI-Zxv1zmNcHd-fLqdN6rTwN7kMv9ZLKWFolfCr437iv5j1ahDvSKu2T_oNlUKFRAGfQLV9AwXLfS8VuMn1lE4nI7Zc54GKv9HyqDsfHY6xf1CR1zLIf4E8WWYvqG7uCy-FgtC-LxaBNJ3dycLJBIQbRYkr3OVxbzI7GvWcSiIpMuYjIBEIczL9ZjVmjahVo7waC1UQYvADNpWQZTF-OqSZoBhN_sa81uvYvSxI3zGcZozSIN4V4Ln3jui8jiFH0aTvShGzzLnj3xvKXWG9SyhlUR5Immtn6WDdYPwpGBdFQb6pT59jIorWZMsSPPKVBe3ZHnRa07DLBwXhWxMxsxXipXXNOTBzauMnOvecw0jxFmUELCUPQfqv47ZNdC3v7MBB_jAnD8MP3DNIf0f0gWUSHibmUImSgpE-70D8i-mqfQugTdIckl8RFJNOBoCji6BBwdTykAjiLgaAZwVADunmq40QzcqIQbBbhRDTeq4XZMSu1Wv9kxlkMdziRDynDze6mckPz0axqeEsptJ_CtAKJNk1ct32EuOBYecsbdgAUj-4zcbin0fOuWF2RPA-2S5JN4EV5BRJn410JRv4nVd8A |
link.rule.ids | 315,786,790,870,27946,27947 |
linkProvider | Directory of Open Access Journals |
openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Predicting+Financial+Distress+in+the+BIST+Industrials+Index%3A+Evaluating+Traditional+Models+and+Clustering+Techniques&rft.jtitle=Ekonomi%2C+Politika+%26+Finans+Ara%C5%9Ft%C4%B1rmalar%C4%B1+Dergisi&rft.au=G%C3%9CLAL%2C+%C3%96mer+Serkan&rft.au=SE%C3%87ME%2C+G%C3%B6khan&rft.au=K%C3%96SE%2C+Eda&rft.date=2023-12-30&rft.issn=2587-151X&rft.eissn=2587-151X&rft.volume=8&rft.issue=4&rft.spage=660&rft.epage=680&rft_id=info:doi/10.30784%2Fepfad.1370893&rft.externalDBID=n%2Fa&rft.externalDocID=10_30784_epfad_1370893 |
thumbnail_l | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=2587-151X&client=summon |
thumbnail_m | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=2587-151X&client=summon |
thumbnail_s | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=2587-151X&client=summon |