ĐLK HALKA ARZLARDA UZUN DÖNEM GETĐRĐLERĐNĐN TAHMĐNĐ: YAPAY SĐNĐR AĞLARI ĐLE ĐMKB ĐÇĐN AMPĐRĐK BĐR ÇALIŞMA

Transkript

1 Ekonometr ve Đstatstk Sayı: ĐSTANBUL ÜNĐVERSĐTESĐ ĐKTĐSAT FAKÜLTESĐ EKONOMETRĐ VE ĐSTATĐSTĐK DERGĐSĐ ĐLK HALKA ARZLARDA UZUN DÖNEM GETĐRĐLERĐNĐN TAHMĐNĐ: YAPAY SĐNĐR AĞLARI ĐLE ĐMKB ĐÇĐN AMPĐRĐK BĐR ÇALIŞMA Öğr. Gör. Ulaş ÜNLÜ * Yrd.Doç.Dr. Brol YILDIZ ** Yrd.Doç. Dr. Abdullah YALAMA *** Abstract The purpose of ths study s to estmate the long run IPO (Intal Publc Offerngs) returns usng artfcal neural network (ANN) and lnear regresson (LR). In wde-rangng lterature lnear regresson s commonly preferred to estmate long run IPO returns. Ths study apples ANN addton to LR. As a result of comparng the performance of ANN and LR, ANN has better performance than OLS for long run IPO returns n Turkey. Keywords: Intal publc offerngs, long-run performance, ANN, OLS, ISE. Jel Classfcaton: C520, G140, G390 Özet Bu çalışmanın amacı ĐMKB de lk defa halka arz edlen hsse senetlernn uzun dönem getrlern yapay snr ağı kullanarak tahmn etmektr. Lteratürde uzun dönem halka arz getrlernn tahmn edlmesnde yaygın olarak Doğrusal regresyon yöntemnden yararlanıldığı görülmektedr. Bu çalışmada se doğrusal regresyon yöntemne ek olarak yapay snr ağı teknolojs kullanılmıştır. Uzun dönem getrler tahmn etmede doğrusal regresyon ve yapay snr ağı modellernn performansları karşılaştırılmıştır. Elde edlen bulgular yapay snr ağının uzun dönem halka arz getrlern tahmn etmede doğrusal regresyon yöntemnden daha başarılı olduğunu ortaya koymaktadır. Anahtar Kelmeler: Halka arz, uzun dönem performans, yapay snr ağı, doğrusal regresyon, ĐMKB. Jel Sınıflaması : C520, G140, G390 * Adres: Nevşehr Ünverstes MYO E-Mal: ulasunlu@gmal.com ** Adres: Eskşehr Osmangaz Ünverstes, Đşletme Bölümü E-Mal: brol.yldz@gmal.com *** Adres: Eskşehr Osmangaz Ünverstes, Đşletme Bölümü E-Mal: abdullah.yalama@gmal.com

2 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma 1.Grş Frmaların en öneml sermaye kaynaklarından brsn halka arzlar oluşturmaktadır. Halka arzların yatırımcılar çn önem daha çok lk halka arz edlen hsse senetlernden ne kadar sermaye kazancı sağlayablecekler le lgl olmaktadır. Dolayısıyla halka arzların kısa veya uzun dönemde sağlayacağı getry doğru öngörmek yatırımcılar çn öneml fırsatlar doğurablecektr. Yatırımcı açısından bu öngörü temel br problemdr. Bu problemn çözümünde kullanılacak alternatf br yöntemn tahmn performansındak sağlayacağı artış, yatırımcılar acısından oldukça büyük fırsatlara dönüştürüleblecektr. Đlk halka arzlar uzun süreden ber araştırmacıların fnans lteratüründe lgyle üzernde durduğu konulardan br haln almıştır. Bu alanda yapılan çalışmalar genel olarak kısa dönem düşük fyatlama ve uzun dönem düşük performans olmak üzere k anomal üzerne yoğunlaşmıştır. Hsse senetlernn lk şlem gününde pyasanın üzernde br getr elde ederek gerçek değernn altında fyatlanmasına düşük fyatlama adı verlmektedr. Kısa döneml bu olgunun geçerllğne yönelk brçok amprk bulgu hem gelşmş hem de gelşmekte olan ülkeler adına lteratürde yern almıştır (ABD: Tınıç, 1988; Levs, 1993, Rtter ve Welch, 2002; Đngltere: Levs, 1993, Ljungqvst, 2003, Đsvçre: Kunz ve Aggarwal, 1994; Đspanya: Ansotegu vd. 2000; Brezlya: Aggarwal vd. 1993, Sngapur: Lee vd, 1996, Njerya: Ikoku, 1996, Mekska: Aggarwal, Leal ve Hernandez, 1993, Türkye: Kıymaz, 2000, Durukan, 2002, Ünlü ve Ersoy, 2008). Düşük fyatlamanın neden se daha çok varlıkların büyüklüğü, aracı kurumun prestj, frmanın faalyet süres, satışlar, teknoloj frmaları, 1999 ve 2000 yılı hraçları(ipo bubble) olgusuna dayandırılmaktadır(rtter, 2003; Ljungqvst ve Wlhelm Jr., 2003; Rtter, 2005; Loughran ve Rtter, 2004). Đlk defa halka arzların uzun dönemde düşük performans gösterdklerne dar öncü çalışma Rtter (1991) tarafından gerçekleştrlmş, daha sonra se gelşmş ve gelşmekte olan brçok ülke çn bu hpotez destekleyen bulgulara rastlanmıştır (ABD: Loughran ve Rtter 1994; Brezlya: Aggarwal vd.1993; Đsveç: Loughran vd.1994, Đngltere: Levs, 1993, Avustralya: Lee vd. 1996; Yen Zelanda: Frth, 1997: Kanada: Jog, 1997; Almanya: Ljungqvst, 1997; Japonya: Ca ve We, 1997; Uluslararası pek çok pyasa çn: Jenknson ve Ljungqvst, 2001; Türkye: Özer, 1999; Yalama ve Ünlü, 2010). 30

3 Ekonometr ve Đstatstk Sayı: Bununla brlkte bazı araştırmacılar, halka arzlarda uzun dönemde düşük performans hpotezn reddeden amprk bulgular sunmuşlardır (Boardman ve Laurn 2000; Dewenter ve Malatesta, 2001, Km vd. 1995; Kıymaz 1997a; Kıymaz 1997b). Lteratürde lk defa halka arz edlen hsselern uzun döneml getrlern tahmn etmek çn yapılan çalışmalarda daha çok doğrusal regresyon yöntemnn kullanıldığı görülmektedr. Bu tahmnc değşkenler arasındak doğrusal lşky, dayandığı brçok varsayımın geçerllğ halnde açıklamaktadır. Bu kapsamda alternatf metotlar sürekl araştırmacıların lgsn çekmştr. Bunlardan brs olan yapay snr ağı teknolojs, bağımlı ve bağımsız değşkenler arasındak doğrusal olmayan lşkler modelleyeblmes ve belrl varsayımlara dayanmaması sebebyle geleneksel yöntemlerden ayrılır. Bu sebepler yapay snr ağı metodunu, lk halka arzı gerçekleştrlen hsse senetlernn uzun döneml performansını tahmn etmek çn alternatf br araç konumuna getrmektedr. Bu çalışmada ĐMKB de lk halka arz edlen hsse senetlernn uzun dönem getrlern tahmn etmek çn yapay snr ağı model gelştrlmştr. Gelştrlen modeln tahmn performansı doğrusal regresyon le gelştrlen modeln tahmn performansıyla karşılaştırılmıştır. Türkye de lk defa halka arz edlen hsse senetleryle lgl lteratür ncelendğnde yapılan çalışmaların uluslararası lteratürdek yayılımla paralel olarak daha çok düşük fyatlama ve kısa dönem performans üzernde yoğunlaştığı görülmektedr. Uzun dönem performans araştıran çalışma sayısı se kısıtlı olmakla brlkte bu çalışmalarda genel kabul görmüş br yargıya ulaşılamamıştır. Bu çalışmanın lteratürdek dğer çalışmalardan farkı uzun dönem performansı ölçmede doğrusal regresyona alternatf olarak yapay snr ağı modelnn performansını test etmesdr. Ayrıca bu çalışma Türkye de uzun dönem halka arz getrlernn tahmnnde yapay snr ağlarını kullanan lk çalışma olması açısından lteratürdek dğer çalışmalardan ayrılmaktadır. Bu çalışmada zleyen bölümlernde halka arz edlen hsse senetlernn uzun döneml performansını tahmn etme konusundak lteratür, ver, yöntem, amprk bulgular ve sonuç ncelenmştr. 2.Lteratür Uzun döneml halka arz lteratüründe getrnn hesaplanması ve dönemn seçlmes konusunda brçok farklı yaklaşım benmsenmştr. Đlk halka arzların uzun dönem 31

4 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma performanslarını nceleyen araştırmacılar araştırma peryodu olarak genellkle 36 ay (Rtter, 1991, Kıymaz, 1997) kullanmakla brlkte 60 aylık (Rajan ve Servaes, 1997; Eckbo ve Norl, 2005, Barber ve Lyon, 1997) nceleme dönem belrleyen çalışmalar da mevcuttur. Uzun dönem getr hesaplanırken se çoğunlukla CAR(Rtter, 1991; Kıymaz, 1997a,b; Aggarwal ve Rvol, 1990; Carter vd. 1998) ve MBHR (Eckbo ve Norl, 2005) olmak üzere k farklı getr hesaplama yöntem kullanılmaktadır. Bunlardan lk CAR (cumulatf abnormal return) pyasaya göre düzeltlmş kümülatf anormal getr dğer se MBHR (Market Adjust Buy and Hold Return) pyasaya göre düzeltlmş satın al ve elde tut getrlerdr. Đlk halka arzların uzun dönem performanslarına lşkn lk öneml çalışma Rtter (1991) n çalışmasıdır. Rtter ABD de dönemnde 1526 lk halka arz şlemnde lk gün getrler poztf bulurken, 36 aylık süre sonunda kümülatf ortalama anormal getrler %-29,1 olarak tespt etmştr. Bu çalışmayla brlkte pek çok pyasada lk halka arzların uzun dönem performansları lglyle takp edlen br konu olmuştur. Uzun dönem performansa etk eden faktörler çn farklı bulgular bulunmaktadır. Carter vd. (1998) ve Rtter e (1991) göre genç frmalar uzun dönemde dğer frmalara göre daha düşük performans göstermektedrler. Uzun dönemde elde edlen performansı düşük fyatlama modelleryle açıklayan ve lk gün getrlere bağlayan çalışmalar bulunmaktadır(wess, 1993; Alexander, 1993). Bazı araştırmacılar da sahplk yapısının ve bununla bağlantılı olarak temslc malyetnn uzun dönem performansı etkledğn savunmaktadır (Jan ve Kn, 1994; Mkkelson vd. 1997). Uzun dönemde düşük performans elde edlmesnn nedennn bazı çalışmalarda yanlış ölçüm yapılması ve yanlış benchmark seçm olableceğ dda edlmektedr (Brav, Geczy, ve Gompers, 2000; Barber ve Lyon, 1997; Kothar ve Warner, 1997). Bu problem ortadan kaldırmak çn çok faktörlü varlık fyatlama modeller kullanılmaktadır (Loughran ve Rtter, 2000; Brav ve Gompers 1997; Eckbo ve Norl, 2005). Loughran ve Rtter (2000) uzun dönemde düşük performans tespt ederken, Brav ve Gompers (1997) le Eckbo ve Norl (2005) se lk halka arzların uzun dönemde düşük performans göstermedğn göstermşlerdr. Heaton (2002), Danel, Hrshlefer ve Subrahmanyam (1998) le Bernardo ve Welch (2001) uzun dönemde elde edlen düşük performansın neden olarak, yönetc ve yatırımcıların kendne güvenmelern göstermşlerdr. Carter, Dark, ve Sngh (1998) se uzun dönem performansı çn en öneml belrleyc faktörün aracı kurumun prestj olduğunu tespt etmştr. Eckbo ve Norl (2005), Fama-French n(1993,1996) üç faktör modeln ve Carhart ın(1997) dört faktör modeln kullanarak, beş faktörlü br varlık fyatlama 32

5 Ekonometr ve Đstatstk Sayı: model gelştrmştr. Modelde kullanılan lkdte faktörünün, lk halka arzların uzun dönem performanslarını açıklamada öneml br rol oynadığı tespt edlmştr. Türkye de se lk halka arzların uzun dönem performansını belrlemek çn az sayıda çalışma yapılmış olup brbrnden farklı sonuçlara ulaşılmıştır. Kıymaz (1997a) çalışmasında dönemnde halka arz edlen sınaî sektör hsse senetlernn uzun dönem performanslarını araştırmıştır. Araştırma sonucuna göre sınaî sektör hsse senetler uzun dönemde ortalama %41,33 lük pyasa getrsne göre düzeltlmş getr elde etmşlerdr. Kıymaz(1997b) br başka çalışmasında se dönemnde halka arz edlen mal sektör hsse senetlernn uzun dönem performanslarını araştırmış ve sonuç olarak mal sektör hsse senetlernn 30 ayda %11 lk br anormal getr elde ettğn göstermektedr. Belrszlğ fazla olan frmalar uzun dönemde daha y performans göstermş ayrıca lk gün düşük fyatlanan hsse senetler uzun dönemde daha az getr elde etmşlerdr. Özer (1999) çalışmasında, dönemnde lk defa halka arz edlen 89 hsse senednn performansını araştırmıştır. Bu çalışmanın uzun dönem sonuçlarına göre, lk halka arz edlen hsse sened getrler, lk halka arz sonrası 500 gün çnde önce azalan, daha sonra artan br trend zlemektedr. Fakat 500 gün sonunda elde edlen getr knc hafta sonunda elde edlen getrnn altında kaldığını tespt etmştr. Bu performansı etkleyen değşkenler se aracı kurum ve şrket arasındak lşk le halka açılma anındak pyasa trenddr. Ayden ve Karan (2000) yılları arasında halka arz edlen 70 frmanın 36 ay sonrak performanslarını ncelemştr. Elde edlen sonuçlara göre sadece 11. ayda statstksel olarak anlamlı ucuz hsse sened varlığı tespt edlmş olup, kümülâtf anormal getrler anlamsız bulunmuştur. Çalışmada kullanılan dğer br yöntemde görecel refah göstergesdr. Bu yönteme göre de uzun dönemde pahalı hsse sened olgusuna rastlanmıştır. Ayrıca uzun dönemde normaln üstünde br getr elde etme yönünde oluşturulacak yatırım stratejlernn anlamlı olmadığı savunulmaktadır. Durukan(2002), çalışmasında yılları arasında lk halka arz edlen 173 hsse senetlk br örneklem kullanarak getrler 36 aya kadar ncelemştr. Araştırma sonuçları fads ve Wnner s Curse hpotezlern desteklerken, uzun dönemde düşük performans çn herhang br kanıt sağlamamaktadır. Kıymaz(1997a,b) ve Özer n(1999) aksne lk gün getrler ve uzun dönem getrler arasında negatf lşk bulunmuş ve özelleştrlen frmalar se uzun dönemde daha y performans göstermşlerdr. Yalama ve Ünlü(2010) se lk halka arzların kısa ve uzun dönem performansları üzernde takvm anomaller etksn nceleyerek ĐMKB çn bu konuya faklı br bakış açısı getrmştr. Sonuç olarak çalışma kısa dönemde 33

6 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma düşük fyatlama ve uzun dönemde düşük performans olgusunu desteklemektedr. Ayrıca Türkye de dönemnde gerçekleşen lk halka arzların kısa ve uzun dönem getrler üzernde; haftanın günü(the day of the week effect), yılın ayı(the month of the year effect), ayın haftası(the week of the month effect), ayın belrl haftasının günü(the weekday of the month effect), yılın lk ya da knc yarısı(the sem year effect), ayın lk ya da knc yarısı(the sem month effect) ve ay dönüşü(turn of the month effect) takvm anomallernn etkl olduğuna yönelk kanıtlar bulunmuştur. Blndğ gb uzun dönem performans araştırmalarında çoğunlukla doğrusal regresyon yöntem kullanılmaktadır. Oysak lteratür nsan zekâsına dayalı yaklaşımların, örüntü tanıma, sınıflandırma ve eşleştrme konusunda daha y sonuçlar ortaya koyableceğn şaret etmektedr. Yapay snr ağı teknolojs de nsan beynnn blg şleme yeteneğnden yola çıkılarak elde edlen br teknolojdr ve örüntü tanıma konusunda oldukça yetenekldr (Haykn, 1999). Halka arz getrlernn tahmnnde yapay snr ağı teknolojsnden yararlanan öncü çalışmalar olarak; Jan ve Nag (1995), Jan ve Nag (1998) sayılablr. Jan ve Nag (1995) lk çalışmalarında yapay snr ağı modelnn halka arz edlen şletmelern kncl pyasadak fyatını tahmn etmey amaçlamışlardır. Yapay snr ağı model kncl pyasadak kayıpları mnmuma ndren yöntem olmuştur. Robertson, Golden, Runger, Wasl (1998), Jan ve Nag (1995) tarafından yapılan çalışmanın br benzern lk gün getrsn tahmn edecek şeklde yapmışlardır. Reber, Berry, Toms (2005) yapay snr ağının halka arz edlen hsse senetlernn getrsnn yönünü doğrusal regresyondan daha y tahmn edp edemeyeceğn araştırmışlardır. Gelştrlen yapay snr ağı modeller getrnn yönünü doğrusal regresyondan daha y tahmn etmşlerdr. Jan ve Nag(1998) yaptıkları knc br çalışmada halka arz edlen şrketlern uzun dönemdek performansını nceleme konusu yapmışlardır. Đlk defa halka arz edlen hsse senetler le lgl en öneml problem, bu hsselern uzun döneml performansını tahmn etmektr. Çünkü bu hsse senetler daha önce borsada şlem görmedkler çn geçmş fyat hareketler bulunmaz. Bu hsselern at oldukları şletmelern temel analzde kullanılacak blgler de kısıtlıdır. Çünkü lk defa halka arz sırasında bu şletmelere at çok kısa döneml fnansal blgler açıklanır. Her ne kadar halka açılma sırasında pyasa düzenleyc kurumların bazı standartları bulunsa da, bu şletmelern halka açık olmadıkları dönemdek muhasebe blglerne güven duyulmaz. Bu blgler eksk, yanlış ve hatta yanlı olablrler. Böyle br ortamda lk defa halka arz edlen şletmelern uzun döneml performanslarını tahmn etmek 34

7 Ekonometr ve Đstatstk Sayı: oldukça güç br problem olablmektedr. Jan ve Nag (1998) halka arz edlen şrketlern uzun döneml performansını tahmn etmek amacıyla yapay snr ağını kullanan lk araştırmadır. Araştırmada yapay snr ağının yanında statstksel araçlardan lojtden de yararlanarak lk defa halka arzı gerçekleştrlen şletmelern uzun döneml performansını yüksek ve düşük şeklnde kl br sınıflandırma yapılmıştır. Fakat halka arz performansına göre şrketler sınıflandırmak kendne özgü zorlukları olan br problemdr. Halka açılan şletmelern uzun döneml performansları çok sayıda ve br br le lşkl değşkene bağlıdır. Bağımsız değşkenlern bağımlı değşken le lşkler tam ve net olarak belrlemek çok zordur. Yapay snr ağının sahp olduğu avantajlar nedenyle statstk teknklerden daha üstün performans serglemes beklenmektedr. Jan ve Nag (1998) halka arz edlen şrketlern uzun döneml kazandıran veya kaybettren gruplarından hangsne greceğn yapay snr ağı tahmn etmşler ve performansını, lojt le karşılaştırmışlardır. Araştırma örneklem yılları arasında halka açılan şrketlerden oluşmaktadır. Araştırmada daha önce lteratürde önerlen değşkenler kullanılmıştır. Bu değşkenler halka arz büyüklüğü, aracı kuruluşun tbarı, halka arz fyatı, başlangıç fyatı, şletmenn rsk, halka açılmamış kısmının toplama oranı, halka açılmadan öncek yıla at fnansman gderlernn varlıklara oranıdır. Örneklemdek 134 şletme yüksek performans sergleyen şletme, kalan 327 şletme düşük performans sergleyen şletme olarak kabul edlmştr (Jan ve Nag, 1998). Yapay snr ağı lk defa halka arz edlen hsse senetlernn uzun dönem getr yönünü %69,26 oranında doğru tahmn ederken, lojt modelnn en y performans sergleyen kopma noktasına göre (0,50) performansı %68,83 olmuştur. 3. Ver ve Yöntem Bu çalışma dönemnde lk halka arz edlen 136 frmayı kapsamaktadır. Örneklem peryodunun 1992 den başlamasının neden daha öncek yıllara at sağlıklı blanço verlerne ulaşılamamasıdır. Çalışmanın 2005 yılında btrlmesnn neden se uzun dönem performans çn 36 aylık ver kullanılmasından kaynaklanmaktadır. Şöyle k 2005 yılında halka arz edlen br frma çn 2008 yılı verlerne htyaç duyulmaktadır. Çalışmada kullanılan değşkenlern öncek çalışmalarda sıklıkla kullanılan değşkenler olmasına dkkat edlmştr. Modelde kullanılan değşkenlerle lgl verler ĐMKB den temn edlmş olup hesaplanma şekller se Tablo 1 de verlmştr; 35

8 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma Tablo 1 Modellerde Kullanılan Bağımlı ve Bağımsız Değşkenler Đlk Gün Halka Arz Fyatı Hasılat Aracılık Yüklenm Satış Yöntem MBHR CAR Bağımsız değşkenler 1 Hesaplanma Şekl Frmanın lk halka arz edldğ günkü getrlerdr. Ham getrler hesaplandıktan sonra doğrusal regresyon pyasa model (market model) le tahmn edlmştr. Frmanın halka arz fyatının doğal logartmasıdır. Frmanın elde ettğ hasılatın dolar cnsnden değernn logartmasıdır. Frmanın aracılık yüklenm olarak, en y gayret aracılığı ve bakyey yüklenm seçeneklern terchne göre kukla değşken olarak kullanılmıştır. Frmanın halka arz edlrken kullandığı satış yöntemdr. Sabt fyatla, fyat aralığı(fyat teklf) ve borsada satış yöntemn kullanmasına göre kukla değşken olarak belrlenmştr. Bağımlı değşkenler 2 Pyasaya göre düzeltlmş 36 aylık satın al ve elde tut getrlerdr. Öncelkle ham getrler hesaplandıktan sonra doğrusal regresyon pyasa model (market model) le tahmn edlmştr. Pyasaya göre düzeltlmş 36 aylık kümülatf getrlerdr. Öncelkle ham getrler hesaplandıktan sonra doğrusal regresyon pyasa model (market model) le tahmn edlmştr. 1 Doğrusal regresyon tahmn çn 15(Yaş, Varlık, D/E, Đlk Gün, Sabt Fyat, Fyat Aralığı, Borsada Satış, En Đy Gayret Aracılığı, Bakyey Yüklenm, Ortak Satışı, Sermaye Artırımı, Ortak Satışı ve Sermaye Artırımı, Hasılat, Halka Arz Oranı, Halka Arz Fyatı) tane açıklayıcı değşken kullanılarak model tahmn edlmeye başlanmıştır. En büyük anlamsız katsayı yan değşkenler tek tek atılmış ve model her sefernde yenden tahmn edlerek en uygun modele ulaşılmıştır. (Tablo2-Tablo3) Bu kapsamda Tablo 1 de se bağımsız değşkenlere lşkn ayrıntılı blgler raporlanmıştır. Tablo-1 de yer almayan bağımsız değşkenler ve hesaplanma bçmler şu şekldedr: Yaş(Frmanın kuruluşundan halka arz edldğ süreye kadar geçen zamanın, faalyet süresnn doğal logartmasını fade eder), Varlık(Frmanın halka arz edlmeden öncek yılk varlıklarının dolar cnsnden değernn doğal logartmasıdır), D/E(Frmanının halka arz edlmeden öncek yılk borç/özsermaye oranıdır), Halka arz oranı(frmanın halka arz oranıdır). 2 Uzun dönem anormal getrlern (CAR ve MBHR) pyasa model(market model) le hesaplanablmes çn öncelkle uzun döneml ham ve kümülatf getrye htyaç duyulmaktadır. Ham getr (R t ) ve pyasa getrs n (R mt ) [ (P t / P t-1 )-1] formülü le hesaplanmıştır. Kümülatf ham getrler ( R t )formülü le satın al ve elde t= 1 tut ham getrler se[ (P t / P t-36 )-1] formülü le hesaplanmıştır. 36

9 Ekonometr ve Đstatstk Sayı: Bu çalışmada uzun dönem getrler CAR ve MBHR olmak üzere k alternatf yaklaşımla tespt edlmştr (Barber ve Lyon, 1997; Kothar ve Warner, 1997; Lyon vd. 1999). Lteratürde anormal getrlern hesaplanmasıyla lgl çeştl problemler bulunmaktadır. Daha öncek çalışmalar ncelendğnde anormal getrlern hsse senednn getrsnden pyasanın getrsnn çıkarılmasıyla elde edldğ görülmektedr (Rtter, 1991; Levs, 1993; Kıymaz, 1996, 1997). Fakat son zamanlarda anormal getrlern doğrusal regresyon yöntemyle hesaplanmasının daha y sonuçlar vereceğ düşünülmektedr. Bu amaçla bu çalışmadak anormal getrler pyasa model (market model) yöntem kullanarak elde edlmştr (Campbell, Lo ve MacKnlay, 1997: 158); Bu modelde R = { R T o + 1,.. T R = X θ + ε [1] R }` tahmn aralığındak getrler vektörünü, X se brnc sütununda brler vektörünün, kc sütununda se pyasa getrlernden oluşan getr vektörünün R m = { mt o + 1 R R,.. mt }` oluşturduğu br matrstr. Ø = { α β }` se (2*1) parametre vektörüdür. Pyasa modelnn tahmnnde genel varsayımların geçerllğ halnde tutarlı sonuçlar veren doğrusal regresyon model kullanılmıştır. Doğrusal regresyon modelne göre parametre tahmn aşağıdak gbdr: ˆ 1 θ = ( X X ) X R [2] ˆ ε = R X ˆ θ [3] Bu çalışmada uzun döneml getrler tahmn etmek çn doğrusal regresyon ve yapay snr ağı le k farklı model gelştrlmş ve modellern tahmn güçler karşılaştırılmıştır. Gelştrlen modellern performansları, MSE ler (Hata Karelernn Ortalamasının) temel alınarak karşılaştırılmıştır. 37

10 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma 3.1. Yapay Snr Ağı Yapay snr ağı, nsan beynnn çalışma şeklne öykünen br blgşlem yöntemdr. Yapay snr ağı, br br le bağlantılı bast şlemclerden oluşan br ağdır. Bu şlemclere snr düğümü veya nöron adı verlr. Yapay snr ağı model Bağlantılar Nöron Grd Katmanı Gzl Katman(lar) Çıktı Katmanı Her şlemc, başka şlemclere bağlantılar aracılığı le lşklendrlmştr. Bu bağlantıların üzernden ver akışı sağlanır ve her br br ağırlık değerne sahptr. Bu şlemclern k temel şlev vardır: Đlk olarak bağlantılar aracılığı le kendlerne ulaşan verlern, geldğ bağlantının ağırlık değern de kullanarak, ağırlıklı toplamını alır. Đknc olarak elde edlen bu ağırlıklı toplamın, önceden belrlenmş br eşk değer aşıp aşmadığı kontrol edlr. Eğer eşk değer aşılmışsa çıktı üretlr, eğer aşılmamışsa herhang br çıktı üretmez. Yapay snr ağının öğrenmes, br öğrenme algortmasının, verlen grdler çn stenen çıktıların üretldğ br duruma gelnceye kadar, ağın çndek ağırlıkların değştrlmes le sağlanır. Bu durumda yapay snr ağı grd ve çıktılar arasındak lşky öğrenmş olur ve gerçek model taklt etmeye başlar. 38

11 Ekonometr ve Đstatstk Sayı: Lteratüre göre, br yapay snr ağı model, sahp olduğu gzl katman sayısına göre farklı statstksel yetenekler serglemektedr. Örneğn gzl katmanı olmayan br yapay snr ağı model grd uzayını br düzlem le kye ayırmaktadır. Bu ayırma analznn yeteneklerne eş değerdr. Tek gzl katmana sahp br yapay snr ağı se, grd uzayını k veya daha fazla düzlemle açık veya kapalı, çbükey veya dışbükey bölgelere ayırablmektedr. Eğer br yapay snr ağı k veya daha fazla gzl katmana sahp se, grd uzayını parçalı br şeklde çbükey veya dışbükey olarak böleblmektedr. Parça sayısı katmanlardak nöron sayısına bağlı olarak değşmektedr (Bshop, 1999). Yapay snr ağının sahp olduğu gzl karman sayısı ve bu gzl katmandak şlemc sayısı, yapay snr ağının statstksel yeteneklern belrlemektedr. Katman sayısı ve bu katmandak şlemc sayısı arttıkça, yapay snr ağı daha karmaşık modelleme yeteneğne kavuşmaktadır. Br yapay snr ağı modelnn gelştrlmes sırasında mmar, öğrenme algortması, hata türü, verlern kodlanması konusunda bazı kararlar verlmes gerekmektedr. Uygun br yapay snr ağı model gelştrmek çn bazı önerler bulunmakla beraber, ne yazık k, br problemn çözümünde kullanılacak standart br yöntem bulunmamaktadır. Br problemn çözümü çn en uygun mmar, öğrenme algortması, hata türü, verlern kodlama şekl ancak deneme yanılma yoluyla bulunmaktadır. Br durum yapay snr ağı teknolojsnn öneml dezavantajlarından br olarak karşımıza çıkmaktadır. Bu çalışmada da uygun model bulmak çn deneme yanılma şeklnde br süreçten geçlmştr. Yapay snr ağının mmarsne karar verlrken, öncelkle grd ve çıktı katmanında yer alacak şlemc sayısı belrlenmştr. CAR doğrusal regresyon model rekabetç model olarak kabul edldğ çn, yapay snr ağı modellernde grd olarak, CAR doğrusal regresyon modelnde kullanılan üç değşken kullanılmıştır. Bunlar Fyat Teklf, Đlk Gün ve Halka Arz Fyatı değşkenlerdr. Yapay snr ağının grd katmanı 3 şlemc çermektedr. CAR bağımlı 39

12 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma değşkenn hesaplayan br yapay snr ağı model gelştrlmştr. Br başka deyşle yapay snr ağının çıktı katmanında, CAR bağımlı değşkenn değern hesaplayan tek br şlemc bulunmaktadır. Çalışmada ThnksPro (Ver 1.05) adlı yazılım kullanılmıştır ( Yapay snr ağı gelştrlrken mmar le lgl br başka öneml karar, gzl katman sayısının belrlenmesdr. Bu çalışmada gelştrlen yapay snr ağı modeller çn tek gzl katman kullanımı terch edlmştr. Lteratür ncelendğnde brden fazla gzl katmanla çözülen problem yok gbdr ve yaygın br görüşe göre, tek gzl katmanlı br yapay snr ağının karşılaşılan problemlern büyük br kısmının çözümü çn yeterldr (Yıldız, 2009). Gzl katmanda kaç adet şlemc kullanılacağını belrlemek çn değşk stratejler bulunmaktadır. Bu stratejlerden br genş br ağ le başlamak ve ağın genelleme yeteneğnde br düşme meydana gelnceye kadar, gzl katmandak şlemc sayısını azaltmaktır. Bunun çn değşk sayılardak yapay snr ağı modelleryle deneme-yanılmalar gerçekleştrmek ve ağın genelleme yeteneğndek değşmeler gözlemlemek gerekr. Gzl katmandak gereksz şlemcler yapay snr ağının genelleme yapmak yerne, verler ezberlemesne neden olablmektedr. Bu deneme yanılma sürecnde toplamda 18 model gelştrlmştr. Yapay snr ağı model gelştrlrken eğtm verlerndek hata ve test verlerndek hata grafğ sürekl zlenerek, yapay snr ağı modelnn uygun genelleştrme düzeyne ulaşıp ulaşamadığı kontrol edlmştr. Eğtm verlerndek hata düzeynn düşmeye devam ettğ, ancak test verlerndek hata grafğnde artış olduğu durumlarda, ezberlemenn ortaya çıkması nedenyle modeln eğtmne son verlerek, yen model denemelerne grşlmştr. Ayrıca eğtm verlerndek hatada düşme eğlmnn durduğu ve hata grafğnde yatay eksenne paralel olarak hareket etmeye başladığı durumlarda da eğtm durdurulmuştur. Yapay snr ağı le CAR tahmn çn gelştrlen 18 modelden en y performansı gösteren model Tablo 2 de raporlanmıştır: 40

13 Ekonometr ve Đstatstk Sayı: Tablo 2 Mmar Đler beslemel Hata Hesaplaması MSE Öğrenme Jacob Ger Yayılım Algortması 3 Algortması Grd Katmanı (3 şlemc, Ortalama / Standart Sapma Normalleştrme şlem yapılmıştır) Gzl Katman 1 (2 şlemc, Sgmod +/- transfer fonksyonu) Çıktı Katmanı ( şlemc, Sne +/- transfer fonksyonu) Döngü sayısı 2942 Tablo 2 dek yapay snr ağı model, MBHR bağımlı değşken çn de en başarılı tahmn gerçekleştren yapay snr ağı model olmuştur. Doğrusal regresyon ve yapay snr ağı modelnn gelştrlmes çn, çalışmanın örneklemn oluşturan 136 frmanın 100 aded kullanılırken, kalan 36 frma, gelştrlen modellern tahmn güçlern ölçülmek çn kullanılmıştır. Örneklemde gerye kalan 36 gözlem test çn kullanılarak modellern performansları karşılaştırılmıştır. 4. Bulgular Araştırmada CAR ve MBHR modeller çn elde edlen doğrusal regresyon modeller aşağıda Tablo3 ve Tablo 4 de görülmektedr. 3 Kullanılan Jacobs Enhanced Back Propagaton Learnng Rule çn bakınız: R.A. Jacobs (1988), Increased Rates of Convergence Through Learnng Rate Adaptaton, Neural Networks, 1, ss ve ThnksPro User Handbook (1995), Logcal Desgns Inc.,CA. 41

14 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma Tablo 3 CAR çn OLS yatay kest (cross-secton) tahmn sonuçları Degsken Katsayı Sabt term (2.3796) ** Satış Yöntem a (1.7026) * Đlk Gün (5.1257) *** Halka arz fyatı ( ) ** Whte Test F [0.144] # Ramsey Reset F (1) [0.837] # Ramsey Reset F (4) [0.619] # Ramsey Reset F (6) [0.095] R 2 :0.285 SSR: Parantez çndek değerler t statstkler, köşel parantez çndek değerler se prob. degerlerdr. # Farklı uygunluk değerler (number of ftted term) çn test sonuçlarıdır. %5 anlam düzeyne göre ekonometrk modeln spesfkasyon hatası yoktur (F Hesaplanan >F Tablo ) ( * ) katsayı %10 anlam düzeynde anlamlıdır ( ** ) katsayı %5 anlam düzeynde anlamlıdır ( *** ) se katsayı %1 anlam düzeynde anlamlıdır a Satış yöntem olarak sadece fyat aralığı(fyat teklf) kullanılmıştır. Borsada satış ve sabt fyat seçeneğ anlamlı olmadığı çn elmne edlmştr. 42

15 Ekonometr ve Đstatstk Sayı: Tablo 4 MBHR çn OLS yatay kest (cross-secton) tahmn sonuçları Değşken Katsayı NW e göre standart hatalar Düzeltlmş Düzeltlmemş Sabt term (0.2625) Aracılık yüklenm b ( ) * Hasılat (2.2034) ** Đlk Gün (1.9999) ** Whte Test F [0.000] % # Ramsey Reset F (1) [0.106] # Ramsey Reset F (4) [0.088] # Ramsey Reset F (6) [0.115] R2:0.103 SSR: Parantez çndek değerler t statstkler, köşel parantez çndek değerler se prob. değerlerdr. # Farklı uygunluk değerler (number of ftted term) çn test sonuçlarıdır. %5 anlam düzeyne göre ekonometrk modeln spesfkasyon hatası yoktur (F Hesaplanan >F Tablo ) ( * ) katsayı %10 anlam düzeynde anlamlıdır ( ** ) katsayı %5 anlam düzeynde anlamlıdır ( *** ) se katsayı %1 anlam düzeynde anlamlıdır % whte test değşen varyans problemn şaret etmektedr. Bu kapsamda Newey- West düzeltmes uygulanmış ve t statstkler Newey-West e göre yenden ayarlanmış halleryle raporlanmıştır. b Aracılık yüklenm olarak sadece bakyey yüklenm kullanılmıştır. en y gayret aracılığı seçeneğ anlamlı olmadığı çn elmne edlmştr. Bakyey yüklenm en y gayret aracılığı terchne göre oluşturulan kukla değşken olarak kullanılmıştır. Aşağıdak Tablo 5 de CAR ve MBHR çn gelştrlen doğrusal regresyon modeller le yapay snr ağı modellernn tahmn başarıları görülmektedr. Tablo 5 Doğrusal regresyon ve yapay snr ağı modellernn getr tahmn performansı CAR MBHR Doğrusal Yapay Snr t Doğrusal Yapay t Regresyon Ağı Regresyon Snr Ağı SSE 19,37 11,35 28,08 24,13 MSE 0,53 0,31 1,62* 0,78 0,67 1,86* ( * )%10 anlam düzeynde anlamlıdır 43

16 Đlk Halka Arz. Uzun Dön. Get. Tahmn: Yap. Snr Ağları le ĐMKB çn Amp. Br Çalışma Tablo 5 de yapay snr ağının hem CAR hem de MBHR model çn SSE ve MSE 4 şeklndek üç hata türüne göre de doğrusal regresyon modelnden daha y sonuçlar ürettğ görülmektedr. 5. Sonuç Yatırımcılar çn lk defa halka arzı yapılan hsse senetlernn performanslarını tahmn etmek, y br yatırım kararının öneml koşullarındandır. Lteratürde lk defa halka arz edlen hsse senetlernn kısa ve uzun dönemde performanslarını tahmn etmek çn yaygın olarak doğrusal regresyon kullanılmaktadır. Bu çalışmada ĐMKB de lk halka arzı gerçekleştrlen hsse senetlernn uzun döneml performansının tahmn edlmes amacıyla yapay snr ağı kullanılmıştır. Eldek bulgular yapay snr ağı le gelştrlen modeln doğrusal regresyon modelnden daha y tahmn yaptığını ortaya koymaktadır. Bu sonuç dğer pyasalarda yapay snr ağı le lgl yapılmış çalışmalarla uyumludur. 4 Đk modele at MSE ler arasındak farkın statstksel olarak anlamlı olup olmadığı t test le test edlmştr. Yapay snr ağı ve doğrusal regresyon modellernden gelen MSE ler statstksel olarak brbrnden farklıdır ve yapay snr ağı le gelştrlen model doğrusal regresyon modelnden daha y tahmn yapmaktadır. 44

17 Ekonometr ve Đstatstk Sayı: Kaynaklar Aggarwal, R. ve Rvol, P. (1990), Fads n ntal publc offerng market, Fnancal Management 19, ss Aggarwal, R., Leal, R. ve Hernandez, L. (1993), The Aftermarket Performance of Intal Publc Offerngs n Latn Amerca, Fnancal Management 22, ss Alexander, J. (1993), The lawsut avodance theory of why Intal Publc Offerngs are underprced, UCLA Law Revew 41, ss Ayden T. ve Karan, M.B. (2000), Đstanbul Menkul Kıymetler Borsasında Đlk Halka Arzların Uzun Vadel Fyat Performanslarının Ölçülmes, Gaz Unverstes Đ.Đ.B.F Dergs 2 (3), ss Barber, B.M. ve Lyon, J.D. (1997), Detectng long-run abnormal stock returns: the emprcal power and specfcaton of test statstcs, Journal of Fnancal Economcs 43, ss Baron, D.P. (1982), A model of the demand for nvestment bank advsng and dstrbuton servces for new Issues, Journal of Fnance 45, ss Bernardo, A.E. ve Welch, I. (2001), On the Evoluton of Overconfdence and Entrepreneurs, Journal of Economcs and Management Strategy 10, ss Bshop C. M. (1997), Neural Netorks for Pattern Recognton, Clerendon Press, Oxford, ss Boardman, A. ve Laurn, C. (2000), Factors affectng the stock prce performance of share ssued prvatzatons, Appled Economcs, 32(11), ss Brav, A., Geczy, C. ve Gompers, P.A. (2000), Is the abnormal return followng equty ssuances anomalous?, Journal of Fnancal Economcs 56, ss Brav, A. ve Gompers, P.A. (1997), Myth or realty? The long-run underperformance of ntal publc offerngs: Evdence from venture and non-venture captal-backed companes, Journal of Fnance 52, ss Ca, J. ve We, K.C. (1997), The nvestment and operatng performance of Japanese ntal publc offerngs, Pacfc-Basn Fnance Journal 5, ss Campbell, J.Y. Lo, A.E. ve Macknlay, A.C. (1997), The econometrcs of fnancal markets, Prnceton Unversty Press, Prnceton, New Jersey. Carter, R. ve Manaster, S. (1990), Intal publc offerngs and underwrter reputaton, The Journal Of Fnance, 45(4), ss Carhart, M. (1997), On Persstence n Mutual Fund Performance, Journal of Fnance 52, ss Carter, R.B. Dark, F.H. ve Sngh, A.K. (1998), Underwrter Reputaton, Intal Returns, and the Long-run Performance of IPO Stocks, Journal of Fnance 53, ss Chalk, A.J., ve Peavy, J.W. (1987), Intal publc offerngs: Daly returns, offerng types and the prce effect, Fnancal Analysts Journal 43(5), ss Danel, K. Hrshlefer, D. ve Subrahmanyam, A. (1998), Investor psychology and securty market under- and overreactons, Journal of Fnance 53, ss Dewenter, K.L. ve Malatesta, P.H. (1997), Publc offerngs of state-owned and prvately owned enterprses : An nternatonal comparson, Journal of Fnance 52, ss Durukan, M.B. (2002), The relatonshp between IPO returns and factors nfluencng IPO performance: Case of the Istanbul Stock Exchange Manageral Fnance 28, ss

18 Đlerleyen Tür Tp-Iı Sağdan Sansürlü Örn. Day. Düz. Dağ. Parametrelernn Jackknfe Tahmn Edcs Eckbo, B.E. ve Norl, Ø. (2005), Lqudty Rsk, Leverage and Long-Run IPO Returns, Journal of Corporate Fnance 11, ss Fama, E.F. ve French, K.R. (1993), Common rsk factors n the returns on stocks and bonds, Journal of Fnancal Economcs 43, ss Frth, M. (1997), An analyss of the stock market performance of new ssues n New Zealand, Pacfc-Basn Fnance Journal 5, ss Haykn, S. (1999), Neural Networks, Prentce Hall, Second Edton, N.J. Heaton, J. (2002), Manageral Optmsm and Corporate Fnance, Fnancal Management 31, ss Ikoku, A.E. (1998), Influence-seekng and prcng of ntal publc offerngs and prvatzatons: Evdence from the Ngeran Equty Market, Unversty of Southern Calforna, Workng Paper. Jan, B.A. ve Kn, O. (1994), The Post-Issue Operatng Performance of IPO Frms, Journal of Fnance 49, ss Jan B.A. ve Nag, B.N. (1998), A neural network model to predct long-run operatng performance of new ventures, Annals of Operatons Research 78, ss Jan B.A. ve Nag, B.N. (1995), Artfcal neural network models for prcng ntal publc offerngs, Decson Scences 26(3), ss Jenknson, T. ve Ljungqvst, A. (2001), Gong Publc: The Theory and Evdence on How Companes Rase Equty Fnance, 2nd Edton, Oxford Unversty Press, Oxford, UK. Jog, V. (1997), The clmate for Canadan ntal publc offerngs, Fnancng Growth n Canada, Unversty of Calgary Press, Calgary, ss Kıymaz, H. (1997a), ĐMKB de halka arz edlen hsse senetlernn uzun dönem performansları ve bunları etkleyen faktörler: Đmalat sektörü uygulaması, ĐMKB Dergs 3, ss Kıymaz, H. (1997b), ĐMKB de halka arz edlen mal sektör hsse senetlernn uzun dönem performansları: uygulaması, Hazne Dergs 7, ss Kıymaz, H. (2000), The ntal and aftermarket performance of IPOs n an emergng market: evdence from Istanbul Stock Exchange, Journal of Multnatonal Fnancal Management 10, ss Km, B.J. Krnsky, I. ve Lee, J. (1995), The aftermarket performance of ntal publc offerngs, Pacfc-Basn Journal 3, ss Kothar, S.P. ve Warner, J.B. (1997), Measurng long-horzon securty prce performance, Journal of Fnancal Economcs, ss Kunz, R.M. ve Aggarwal, R. (1994), Why ntal publc offerngs are underprced: Evdence from Swtzerland, Journal of Bankng and Fnance 18, ss Lee, P.J. Taylor, S.L. ve Walter, T.S. (1996), Expected and realzed returns for Sngaporean IPOs: Intal and long-run analyss, Pacfc-Basn Journal 4, ss Levs, M. (1993), The long-run performance of IPOs: the UK experence , Fnancal Management Sprng 22, ss Ljungqvst, A. (1997), Prcng ntal publc offerngs: Further evdence from Germany, European Economc Revew 41, ss

19 Ekonometr ve Đstatstk Sayı: Ljungqvst, A. (2003), Conflcts of nterest and effcent contractng n IPOs, NYU, Ctr for Law and Busness Research Paper No , Workng paper seres. Ljungqvst, A.P. ve Wlhelm, W.J. (2003), IPO Prcng n the Dot-Com Bubble, Journal of Fnance 58, ss Loughran, T. Rtter, J.R. ve Rydqvst, K. (1994), Intal publc offerngs: Internatonal nsghts, Pacfc-Basn Fnance Journal 2, ss Loughran, T. ve Rtter, J.R. (2000), Unformly least powerful tests of market effcency, Journal of Fnancal Economcs 55, ss Loughran, T ve Rtter, J.R. (2004), Why Has IPO Underprcng Changed Over Tme?, Fnancal Management 33(3), ss Lyon, J.D. Barber, B.M. ve Tsa, C.L. (1999), Improved methods for tests of long-run abnormal stock returns, Journal of Fnance 54, ss Mkkelson, W.H. Partch, M. ve Shah, K. (1997), Ownershp and operatng performance of companes that go publc, Journal of Fnancal Economcs 44(3),ss Özer, B. (1999), Prce performance of ntal publc offerngs n Turkey, Sermaye Pyasası Kurumu Yayınları, Yayın No: 128, Ankara. Raghuram R. ve Servaes, H. (1997), Analyst Followng of Intal Publc Offerngs, Journal of Fnance 52(2), ss Reber, B. Berry, B. ve Toms, S. (2005), Predctng msprcng of ntal publc offerngs. Đntellgent systems n accountng, Fnance and Management, (13), ss Rtter, J.R. (2003), Dfferences between European and Amercan IPO markets, European Fnancal Management 9(4), ss Rtter, J.R. (1991), The long-run performance of ntal publc offerngs, Journal of Fnance 42, ss Rtter, J.R. ve Welch, I. (2002), A revew of IPO actvty, prcng, and allocatons, Journal of Fnance 57, ss Rtter, J.R. (2005), Economc Growth and Equty Returns, Pacfc-Basn Fnance Journal 13(5), ss Robertson S.J. Golden B.L. Runger G.C. ve Wasl E.A. (1998), Neural network models for ntal publc offerngs, Neurocomputng 18, ss Tnc, S. (1988), Anatomy of ntal publc offerngs of common stock, Journal of Fnance 43, ss Wess, H.K. (1993), The underprcng of ntal publc offerngs and the partal adjustment phenomenon, Journal of Fnancal Economcs 34(2), ss Ünlü, U., ve Ersoy, E. (2008), Đlk halka arzlarda düşük fyatlama ve kısa dönem performansın belrleycler, Dokuz Eylül Ünverstes ĐĐBF Dergs, 23(2), ss Yalama, A., ve Ünlü, U.(2010), The calendar anomales n IPO returns: Evdence from Turkey, Đktsat Đşletme ve Fnans 25 (286), ss Yıldız, B. (2009), Fnansal Analzde Yapay Zeka, Detay Yayınları, Ankara, ss