Bu çalışmada Türkiye’de hayat dışı sigorta sektöründe faaliyet gösteren ve 2019 yılında en yüksek pazar payınasahip ilk 20 şirket içerisinde yer alan 11 sigorta şirketinin kredi derece notu tahmin edilmiştir. Çalışma dönemiolan 2009-2019 yılları arasındaki mali tablo verileri kullanılarak düzenli verilerine ulaşılabilen ve yılsonu malitabloların elde edildiği yıldan sonraki yıl içerisinde kredi derece notu verilmiş olan 11 sigorta şirketinden 69örnek alınmıştır. Kredi derece notunun verilmesinden önceki yılsonu bilanço, gelir tablosu ve nakit akımtablolarından elde edilen 13 nicel değişken ve borsaya kayıtlı olup olmadığı bilgisini içeren bir nitel değişkenkullanılmıştır. Sigorta şirketlerinin yılsonu mali tablolarından elde edilen verilerle bir sonraki yıl içinStandard&Poors Derecelendirme Kuruluşunun notları baz alınarak Yapay Sinir Ağları (ANN) ve En Yakın kKomşu Algoritması (KNN) ve NaiveBayes Algoritması kullanılarak analizler gerçekleştirilmiştir. 10 katlı çaprazdoğrulama yönteminin kullanıldığı çalışmada tahmin performansı en yüksekten düşüğe doğru sırasıyla ANN(%98,55), KNN (%95,65), NaiveBayes (%85,51) olarak sınıflandırma başarısı göstermiştir. Bu araştırmadakullanılan iki makine öğrenmesi yöntemi olan ANN ve KNN, istatistiksel bir yöntem olan NaiveBayes’e göredaha yüksek doğrulukla sınıflandırma ve tahmin performansı göstermiştir. Bu sonuç, ilgili tüm kesimlerin halihazırda kullandıkları tahmin modelleri içerisine başta ANN ve KNN olmak üzere bu çalışmada kullanılan tümmodelleri dâhil edebileceklerini göstermektedi
In this study, credit rating of 11 insurance companies that are operating in the non-life insurance sector of Turkey and among the top 20 companies with the highest market share in 2019 were predicted. 69 samples were taken from 11 insurance companies, whose regular data could be accessed using the financial statements between 2009-2019 and whose credit rating was done after the year when year-end financial statement data were collected. 13 quantitative variables obtained from the year-end balance sheet, income statement and cash flow statements prior to the credit rating, and a qualitative variable containing information whether they were registered to the stock exchange or not were used. Analyzes were carried out using Artificial Neural Networks, the Nearest K-Neighbor Algorithm and NaiveBayes Algorithm based on the data obtained from the year-end financial statements of the insurance companies and the ratings of the Standard&Poors Rating Agency. In the study using 10-fold cross-validation method, the prediction performance from the highest to lowest was as the closest Artificial Neural Networks (98.55%), k-Neighbor Algorithm (85.65%), NaiveBayes Algorithm (85.51%), respectively. ANN and KNN, two machine learning methods used in this study, showed higher classification and prediction accuracy than NaiveBayes, which is a statistical method. This result shows that all the models used in this study, especially ANN and KNN, can be included in the prediction models currently used by all parties concerned
