Classifier performances for credit risk analysis
Sınıflandırma tekniklerinin kredi risk analizi üzerindeki performansı
- Tez No: 297865
- Danışmanlar: PROF. DR. FİKRET GÜRGEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2011
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Kredi Risk Analizi (KRA) finansal alanda faaliyet gösteren kuruluşlar için önemli ve bir o kadar da zor bir veri madenciliği problemidir. Global kredi hacminin önemli ölçüde büyümesi ve bu büyümenin yanında ekonomik dalgalanmaların yaşanması, bu problemi daha önemli ve güncel bir noktaya getirmiştir. KRA potansiyel riskleri değerlendirir ve gelecekteki kayıpları azaltmak amacıyla yeni gelen kredi tekliflerini daha önceden belirlenmiş bir tolerans değeri ile karşılaştırarak elemine eder. Tez çalışmasında, kredi risk analizi yararına kullanılan sınıflandırma ölçütlerinin performanslarını ufak dahi olsa geliştirecek bir kombine sınıflandırma yöntemi oluşturmak amaçlanmıştır. Performans değerlerini karşılaştırmak için tutarlılık oranı, Alıcı İşletim Karakteristiği (AİK) ve hassaslık metrikleri kullanılmıştır. Tutarlılık oranında ya da optimal sonuçta önemsiz gibi gözükecek en ufak iyileştirme bile borç portföyünde kayıpları azaltacak ve değeri milyar dolarlar ile ifade edilebilecek tasarruflar sağlayacaktır. Bu tez çalışmasında üç farklı veri tabanı kullanılmıştır. Bunlar Alman Veritabanı, bir bankadan elde edilen veri tabanı ve özel bir yazılımın içinde bulunan veritabanıdır. Deneyler WEKA ve GeneXproTools yazılımları üzerinde gerçekleştirilmiştir. Destek Vektör Makinesi (DVM) sınıflandırma tekniği Alman Veritabanına uygulanmıştır. Lojistik Regresyon (LR) tekniği, GeneXproTools yazılımı üzerinde bulunan veritabanına farklı çapraz doğrulama yöntemleri eşliğinde uygulanmıştır. Son olarak DVM, LR, Sinir Ağları (NN), Basit Bayes Yaklaşımı ve Dinamik Bayes Yaklaşımı; bankadan elde edilen veritabanı üzerinde farklı örneklemeler için uygulanıp ortalama değerler alınarak performans değerleri incelenmiş ve önceki sonuçlara göre daha iyi veriler elde edildiği görülmüştür. Bu çalışmada, basit oylama modellemesi ile performans açısından iyi sonuçlar veren sınıflandırma tekniklerini bir araya getirilerek, hibrid bir sınıflandırma tekniği oluşturulmuş ve bu yeni yaklaşımın diğer sınıflandırma teknikleri ile performans açısından karşılaştırıldığında birçoğundan daha iyi sonuçlar verdiği görülmüştür.
Özet (Çeviri)
Credit Risk Analysis (CRA) is an important and challenging data mining problem in financial analysis domain which is commonly used by many financial organizations. It became one of the most important and hot concept in finance sector since the real market?s credit volume has significant growths while economies have fluctuations which has great impacts on financial organizations. CRA aims to decrease future losses by estimating the potential risk and eliminating the new credit proposal if the risk is higher than a defined tolerance value. In this thesis study, it is aimed to compose a combined classification model to have any little improvement of classification performance when it is compared with existing classifiers. This comparison is based on performance metrics such as accuracy, Receiver Operating Characteristics (ROC) and precision. Any little improvement in accuracy and optimality which seems insignificant, will reduce losses in a large loan portfolio and save very significant amounts which can be defined in terms of billions of dollars. Three different datasets are used in this study. Those are German Dataset, a national bank dataset and a synthetic dataset from a data mining tool. WEKA and GeneXproTools softwares are used to make experiments. Single classification techniques Support Vector Machine (SVM) is applied to German Dataset with different kernel functions. Logistic Regression (LR) is applied on synthetic data with different cross-validation. Finally, LR, SVM, Neural Networks, Naive Bayes and Dynamic Bayesian approaches are compared each other on real-life bank dataset. A hybrid approach proposed which combines best-performed single classifiers inside as a unique classifier. Results show that combined classification impact performance in terms of improvement among other single classification techniques.
Benzer Tezler
- Nakit akış tablolarında finansal riskin öngörülmesi için makine öğrenmesi algoritmalarının karşılaştırılması
Comparision of machine learning algorithms for predicting financial risk in cash flow statements
ECEM ENGİN
Yüksek Lisans
Türkçe
2024
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DAMLA İLTER FAKHOURI
- Hibrit yapay sinir ağları yaklaşımı ile kredi skorlama
A hybrid artificial neural network approach for the credit scoring
DERYA SOYDANER
Yüksek Lisans
Türkçe
2014
BankacılıkMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. OZAN KOCADAĞLI
- Gayrimenkul yatırım ortaklıkları hisse senedi performanslarına COVID-19 etkisinin analizi
Analysis of the impact of COVID-19 on real estate investment trusts stock performances
ALPARSLAN YARIKTAŞ
Yüksek Lisans
Türkçe
2022
Ekonometriİstanbul Teknik ÜniversitesiGayrimenkul Geliştirme Ana Bilim Dalı
DOÇ. DR. KEREM YAVUZ ARSLANLI
- Türkiye'deki A tipi yatırım fonlarının 2013 yılındaki performans değerlendirmesi ve sektörel analizi
Performance evaluation and sectoral analysis of a type mutual funds in Turkey in 2013
EMİNE ÇELEPÇIKAY
Yüksek Lisans
Türkçe
2014
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALP ÜSTÜNDAĞ
- 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
Doktora
İngilizce
2014
BankacılıkOrta Doğu Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. NADİR ÖCAL