Geri Dön

Credit risk analysis using hidden Markov model

Saklı Markov modeli ile kredi risk analizi

  1. Tez No: 246254
  2. Yazar: HASAN TAHSİN OĞUZ
  3. Danışmanlar: PROF. FİKRET GÜRGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ekonomi, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Economics, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2009
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Sistem ve Kontrol Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Bu çalışmanın temel amacı kredi müşterilerini kesin bir şekilde iyi (kredi borcunu geri ödeyen) ya da kötü (kredi borcunu aksatan) diye ayıran bir sınıflandırma yöntemini ve bu yöntemden farklı olarak müşterilerin kredi borcunu geri ödememe (iflas etme) olasılığını hesaplayan temerrüt olasılığı (TO) yöntemini kullanarak Saklı Markov Modeliyle kredi risk analizi yapılabilirliğinin araştırılmasıdır. TO süreci, kredi müşterilerinin bazı verilerini kullanarak kredi verme ya da vermeme kararından önce müşterinin kredi borcunu zamanında ödememe olasılığını hesaplamak suretiyle kredi verilmesi kararı konusunda banka ve kredi şirketlerine ışık tutar. Bu çalışmanın ilk bölümünde HMM yönteminin sınıflandırma kabiliyeti geleneksel yöntemler olan Lojistik Regresyon (LR) ve Yakın k Komşu (YkK) yönteminin sınıflandırma kabiliyetiyle karşılaştırılmaktadır. İkinci bölümde ise HMM yöntemiyle TO modellemesi yapılmış ve oluşturulan modelin performansı en popüler yöntemlerden biri olan LR kullanılarak oluşturulmuş TO modellemesiyle karşılaştırılmıştır. Serbest erişime açık olan Alman ve Avusturalya Kredi Veri tabanları bu tez çalışmasında kullanılmıştır. Yukarıda bahsedilen yöntemlerin sınıflandırma işlemindeki etkinlikleri doğruluk, hata maliyeti ve Alıcı İşletim Karakteristiği (AİK) ölçütlerine göre altılı çapraz doğrulama testleriyle belirlenmiştir. LR ve HMM yöntemleriyle oluşturulan TO modellerinin performansları ise iyi ve kötü müşterilerin ortalama TO değerlerine bakılarak belirlenmiştir. Matlab'ın Kevin Murphy tarafından geliştirilen HMM paketiyle HMM analizleri yapılırken, LR analizleri için internet tabanlı LR hesaplayıcı kullanılmıştır. YkK analizi için yine Matlab kullanılmıştır. Bu çalışmada HMM yöntemi kullanarak geleneksel yöntemlerle rekabet edecek düzeyde kredi risk analizi yapmaya yarayan algoritmaların bulunması hedeflenmiştir. Deneylerin gösterdiği kadarıyla HMM oldukça etkin bir kredi risk analizi yöntemidir ve finansal kuruluşlarca da kullanılabilir.

Özet (Çeviri)

The purpose of this study is to investigate the performance of Hidden Markov Model (HMM) for credit risk analysis in terms of classification and probability of default (PD) modeling where PD modeling assigns default bankruptcy probabilities to credit customers instead of strictly classifying them as good (solvent) borrowers and bad (insolvent) borrowers. PD modeling process makes use of some data belonging to credit applicants and helps banks or credit companies compute a probability that the customer should not pay his/her debts in a timely manner, prior to the decision of granting credit. In the first part of this study, classification ability of HMM is compared to that of Logistic Regression (LR) and k-Nearest Neighbors (k-NN) which are two conventional methods for classification. In the second part, PD modeling performance of HMM is analyzed and compared to that of LR which is known to be one of the most popular PD modeling methods so far. Australian Credit Database and German Credit Database are two public datasets utilized in this thesis study. Classification performances of the aforementioned methods are judged according to accuracy, error cost and Receiver Operating Characteristics (ROC) analysis with supporting experiments using six-fold cross validation. PD modeling performances of HMM and LR are also compared by directly examining the average PD values for solvent and insolvent borrowers. Matlab?s HMM toolbox by Kevin Murphy is used for HMM computations whereas a web based tool is utilized for LR analysis. Matlab is also used for k-NN analysis in classification experiments. The aim of this study is to build appropriate algorithms for HMM to make it an effective way of credit risk analysis as well as conventional methods. The results of the experiments show that HMM is a powerful and effective method for credit risk analysis and can be utilized by financial institutions.

Benzer Tezler

  1. İhtiyaç kredilerinde yapay sinir ağları uygulaması

    Application of artificial neural networks in consumer loans

    SELİM CANER SAYICI

    Doktora

    Türkçe

    Türkçe

    2017

    BankacılıkKadir Has Üniversitesi

    Uluslararası Ticaret Ve Finansman Ana Bilim Dalı

    PROF. DR. NURHAN DAVUTYAN

  2. Credit risk analysis using machine-learning algorithms

    Makine öğrenmesi algoritmalarını kullanarak kredi riski analizi

    GÖKHAN ALAGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri MühendisliğiBahçeşehir Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ETHEM ÇANAKOĞLU

  3. Ağaç temelli makine öğrenmesi yöntemleri ile kredi risk analizi

    Credit risk analysis using tree based machine learning methods

    SAFA BOZKURT COŞKUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikİstanbul Ticaret Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MÜNEVVER TURANLI

  4. Makine öğrenmesi teknikleri kullanılarak kredi risk analizi

    Credit risk analysis using machine learning techniques

    ÖMER YAVUZ CAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET GÜRHANLI

  5. Makine öğrenmesi yöntemleri ile kredi risk analizi

    Credit risk analysis using machine learning algorithms

    SACİDE KALAYCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK