Impact of Operational and Financial Efficiency on Aviation Stock Prices: A Machine Learning Model with SHAP Interpretability

Abstract

Bu çalışma, bir makine öğrenimi yaklaşımı kullanarak, operasyonel ve finansal verimlilik ölçütlerinin havacılık sektöründeki hisse senedi fiyatlarını nasıl etkilediğini incelemektedir. SHapley Additive exPlanations (SHAP) ile geliştirilmiş bir CatBoost regresyon modeli, 2015-2023 yılları arasında 65 küresel havacılık şirketinden toplanan veriler kullanılarak geliştirilmiştir. Model, Mevcut Koltuk Kilometre Başına Toplam Gelir (ASM), Yolcu Yük Faktörü, likidite oranları ve borç-varlık oranları dahil olmak üzere çeşitli operasyonel ve finansal göstergelere dayalı olarak hisse senedi fiyatlarını tahmin etmektedir. Bulgular, özellikle ASM başına Toplam Gelir ve Yolcu Yük Faktörü gibi operasyonel verimlilik ölçütlerinin havacılık sektöründeki hisse senedi fiyatlarının tahmininde önemli bir rol oynadığını göstermektedir. Hızlı oran ve borç varlık oranı gibi finansal ölçütler de modele katkıda bulunmakta ancak operasyonel faktörlere kıyasla ikincil bir etkiye sahip görünmektedir. SHAP değerleri, modelin tahminleri hakkında yorumlanabilir bilgiler sağlayarak farklı özelliklerin göreceli öneminin daha iyi anlaşılmasına olanak tanımıştır. Ayrıca çalışmanın bulguları, operasyonel ve finansal metriklerin hisse senedi fiyatlarına yansıdığını göstererek, Etkin Piyasa Hipotezi'nin (EPH) yarı-güçlü formunu desteklemektedir. Bu sonuçlar, finansal sağlık önemini korusa da, daha yüksek operasyonel verimlilik gösteren havacılık şirketlerinin olumlu borsa performansı için daha iyi konumlandırılabileceğini göstermektedir. Bu çalışma, operasyonel ve finansal ölçütleri bir makine öğrenimi çerçevesine entegre ederek havacılık sektöründe hisse senedi fiyat tahmini için kapsamlı ve yorumlanabilir bir model sunarak mevcut literatüre katkıda bulunmaktadır.