Forecasting bank loan growth in Türki̇ye: A comparison of conventional econometric models and machine learning algorithms
Türkiye'de banka kredisi büyümesinin tahmini: Geleneksel ekonometrik modeller ve makine öğrenme algoritmalarının karşılaştırılması
- Tez No: 1016488
- Danışmanlar: PROF. DR. ENGİN SORHUN
- Tez Türü: Yüksek Lisans
- Konular: Ekonomi, Maliye, Bankacılık, Economics, Finance, Banking
- Anahtar Kelimeler: Banka kredileri, Kredi büyümesi, Mevduat bankaları, Yapay zeka ve makine öğrenmesi dersi, Bank credits, Credit growth, Deposit banks, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: Ekonomi ve Finans Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, Türkiye'de faaliyet gösteren 15 mevduat bankasının TL ve YP cinsinden kredi büyümesi 12 ay ileriye dönük olarak tahmin edilmektedir. Çalışmanın temel motivasyonu, klasik ekonometrik modeller ile makine öğrenmesi algoritmalarının tahmin gücünü ortak bir metodolojik zeminde karşılaştırmaktır. Bu doğrultuda, Ocak 2005 - Aralık 2025 dönemini kapsayan banka bazlı bilanço göstergeleri, yerel makroekonomik göstergeler ve küresel finansal koşullardan oluşan kapsamlı bir veri seti kullanılmıştır. Modellerin eğitim aşamasında zaman uyumlu beş katlı çapraz doğrulama, uygun gecikme seçimi, değişken standardizasyonu ve özyinelemeli özellik eleme adımları dikkatle uygulanmıştır. Ardından, Aralık 2019-Aralık 2024 dönemindeki her tahmin noktası üzerinden doğrudan 12 ay ileri ufuklu örneklem dışı tahminler üretilmiştir. Modellerin tahmin performansı kıyaslanırken yalnızca en düşük örneklem dışı hata değeri dikkate alınmamış, aynı zamanda eğitim ve test performansı arasındaki fark da gözetilmiştir. Bulgular, modellerin tahmin performansının kredi segmentine göre farklılaştığını göstermektedir. Bu kapsamda, en başarılı model TL kredi büyümesi tarafında Extra Trees olurken, YP kredi büyümesi tarafında Gradient Boosting olmuştur. Sonuçlar ayrıca, her iki segmentte de ağaç tabanlı yöntemlerin genel olarak diğer modellere kıyasla daha güçlü bir tahmin performansı sunduğunu ortaya koymaktadır. Öte yandan, değişken önem sıralamaları ve kısmi bağımlılık grafikleri ise kredi büyümesinin doğrusal olmayan, eşik etkiler içeren ve para birimine göre değişen dinamikler içerdiğini göstermektedir. Nitekim, TL kredi segmentinde likidite, bütçe dengesi, kârlılık ve büyüme gibi daha çok içsel faktörler öne çıkarken; YP kredi segmentinde ise ülke risk primi, cari denge ve dış fonlama kompozisyonu gibi dışsal unsurlar daha belirgin hale gelmektedir.
Özet (Çeviri)
In this study, TL and FX credit growth of 15 commercial banks operating in Türkiye is forecasted 12 months ahead. The main motivation is to compare the predictive power of classical econometric models with machine learning algorithms on a common methodological ground. To this end, a comprehensive dataset comprising bank-level balance sheet indicators, local macroeconomic indicators, and global financial conditions covering the period from January 2005 to December 2025 was employed. During the training phase, time-consistent five-fold cross validation, appropriate lag selection, variable standardization, and recursive feature elimination steps were carefully applied. Subsequently, out of sample out-of-sample forecasts with a 12-month horizon were generated directly from each forecast origin during the December 2019 – December 2024 period. While comparing the models' forecasting performance, we not only considered the lowest out-of-sample error but also paid attention to the difference between training and test performance. The results show that the predictive performance of the models varies according to the credit segment. In this regard, the most successful model was Extra Trees for TL credit growth, while Gradient Boosting was most successful for FX credit growth. Additionally, tree-based methods generally offer stronger predictive performance than other models in both segments. Meanwhile, variable importance rankings and partial dependence plots suggest that credit growth involves nonlinear dynamics and threshold effects that vary by currency. While internal factors such as liquidity, budget balance, profitability and GDP growth are more significant in TL credits, external factors such as the country risk premium, the current account balance and external financing composition become more important in FX credits.
Benzer Tezler
- Gelişmekte olan ülkelerde teknoloji politikalarının belirlenmesi ve Türkiye'deki durum
Technology policies in developing countries and the situatiın in Turkey
MEHPARE BARIŞ
Yüksek Lisans
Türkçe
1997
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiMühendislik Yönetimi Ana Bilim Dalı
DOÇ. DR. TUFAN V. KOÇ
- Ticari banka yönetimi ve Türk ticari bankalarının temel yönetim sorunları
The management of the commercial bank and the basic problems of the Turkish comercial bank
AYŞE ÇİĞDEM ÖNAL
- Bankacılık sektörünün risk yönetim algısı ve risk yönetiminin makroekonomik belirleyicileri: Almanya ve Kırgızistan örneği
Perception and macroeconomic determinants of risk management in the banking sector: Germany and Kyrgyzstan case
NURBEK MADMAROV
Doktora
Türkçe
2021
EkonomiKırgızistan-Türkiye Manas Üniversitesiİktisat Ana Bilim Dalı
DOÇ. DR. TEZCAN ABASIZ
- A stress testıng framework for the Turkısh bankıng sector: an augmented approach
Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım
BAHADIR ÇAKMAK
- Kredi taleplerinin değerlendirilmesinde mali analiz
Financial analysis in analysing credit demand
AYNUR ORTAKÇI AKDAĞ
Yüksek Lisans
Türkçe
1998
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. SUAT TEKER
