Ticari banka kredilerinin değerlendirilmesine yönelik bir karar destek modeli
A decision support model for the evaluation of commercial credits
- Tez No: 465404
- Danışmanlar: DOÇ. DR. ÖZGÜR KABAK, PROF. DR. YUSUF İLKER TOPCU
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 214
Özet
Bireyler ve işletmeler, çeşitli nedenlerle kendi sermayelerine ek olarak bir takım finansal gereksinimler duyabilmektedirler. Bu, çoğu zaman yeni bir yatırım yapma isteğinden doğabildiği gibi gündelik rutinlerin yürütülebilmesi için de gerekli olabilmektedir. Birey ya da firmaların finansal açıklarını kapatmaya yönelik olarak en çok başvurdukları yollarından biri, banka gibi finansal kuruluşlardan kredi çekmektir. Kredi çekme işlemi bir borç alma-verme ilişkisi olup borç alan kişi borcunu ödeyememe ve daha yüksek miktarlardaki gecikme faizine katlanma riskini üstlenirken borç veren kuruluş ise verdiği para ya da imtiyazın geri dönüşü konusunda bir risk üstlenmektedir. Kredi riskinin etkin bir şekilde yönetilebilmesi için finansal kuruluşlar kredi risk yönetimi departmanları kurmakta ve söz konusu bireysel ya da firma bazlı risklerin toplamının bankanın ticari işlemlerinin sürdürülebilirliğini zedelememesi konusunda çaba göstermektedirler. Kredi riskinin ölçülmesi, hem bankalarda hem de uluslarlarası finansa kuruluşlarında kredi derecelendirme işlemleri ile gerçekleştirilmektedir. Bunun için firmalara ya da bireylere ilişkin çok fazla sayıdaki finansal ve finansal olmayan kriterler bazında puanlar toplanmakta ve kredi müşterisinin kredi değerliliği belirlenmektedir. Yapılan işlem bir sınıflandırma olup kredi başvurusu yapan müşteri belli kredi risk derecelerinden uygun olanına atanmaktadır. Bankalar kredi derecelendirme işlemleri için eskiden beri dış derecelendirme kuruluşlarını kullanmakta iken Basel Sermaye Uzlaşısı çerçevesinde önerildiği şekliyle günümüzde kendi iç derecelendirme modellerini kullanmaktadırlar. Hem yazındaki hem de uygulamadaki kredi derecelendirme modelleri, kredi müşterilerine tek bir kredi derecesi atamaktadır. Bu da firmaların kredi değerliliklerinin net olarak belirlenmesi açısından bir bilgi kaybına neden olmaktadır. Firmaların bazı kriterlerdeki puanları çok iyi iken bazı kriterlerdeki puanları oldukça kötü olabilmektedir. Ancak tekli gösterime dayanan kredi derecelendirmede, modellerde dikkate alınan kriter önemleri çerçevesinde firmalara ilişkin kredi değerliliği tek bir derece ile temsil edilmektedir. Söz konusu bilgi kaybının ortadan kaldırılabilmesi için bu tez çalışmasında kredi müşterilerinin kredi değerlilikleri tek bir kredi derecesi ile değil, mevcut tüm kredi dereceleri arasındaki bir kredi değerliliği dağılımı ile temsil edilmektedir. Gerçekleştirilen yazın taramasının ortaya koyduğu sonuçlar gözönüne alınarak bu tez çalışmasında kredi müşterilerinin kredi değerliliklerinin kredi dereceleri arasındaki bir dağılım ile gösterilmesine olanak tanıyan bir kredi derecelendirme karar destek modeli önerilmektedir. Bu modelde Birikimli Kanı Dereceleri yaklaşımı ile ticari kredilerin derecelendirilmesi hedeflenmektedir. Buna göre, kredi dereceleri öncelikle dilsel terimlerle ifade edilmekte ve firmaların derecelendirme kriterlerine ilişkin puanları dilsel terimlere üçgen bulanık sayı oluşturma prosedürü takip edilerek dönüştürülmektedir. Üyelik dereceleri modelde kanı derecesi olarak isimlendirilmektedir. Kanı derecelerinin kriter bazlı olarak ters birikimli toplamlarının alınması yoluyla birikimli kanı dereceleri hesaplanmaktadır. Kriter önemleri kullanılarak dilsel terimlerdeki birikimli kanı dereceleri bütünleştirilmekte ve sonuç olarak firmanın kredi değerliliği kredi dereceleri arasındaki bir dağılımla ifade edilmiş olmaktadır. Kredi derecesinin bir dağılımla ifade edilmesinin temel avantajı, değerlendirmede daha fazla miktarda bilgi gözönüne alındığı ve tekilleştirme yapılmadığı için kredi analistinin çok daha geniş yorumlama olanaklarına kavuşturuluyor oluşudur. Buradaki kredi derecelerinden yararlanılarak bankalar kendi kredi kurallarını daha etkin bir şekilde geliştirebilme olanağına sahip olacaklardır. Buna göre, bir firmanın atanan kredi derecesi ne olursa olsun eğer daha yüksek ya da daha düşük kredi derecelerinde de belirli miktarlarda birikimli kanı derecesi mevcutsa firmalara sağlanan şartlarda, teminat koşullarında ve kredi limitlerinde sıkılaştırma ya da gevşetme yapılabilecektir. Bu yorumlama olanağına mevcut modellerde bu kadar genişlik sağlanamamaktadır. Eğer analistin bir gereksinimi bulunuyorsa ya da yasal bir zorunluluk söz konusu ise, kredi derece dağılımı bir eşik değer göz önüne alınarak tekilleştirilebilmektedir. Tekil kredi derecesinin netleştirilmesinde, ki-kare benzerlik ölçümü temelli bir yaklaşım kullanılmakta ve bu yapılırken kredi derecelerindeki risk konsanstrasyonlarının dengeli bir biçimde dağılması ilkesi gözönüne alınmaktadır. Önerilen modelde farklı risk tutumlarına karşılık verilecek şekilde kredi derecelerinin farklılaştırılması olanakları da sunulmaktadır. Önerilen modelin bir diğer yeniliği kredi derecelendirmedeki kriter önemlerinin nesnel bir biçimde belirlenmesine yönelik olarak OWA ağırlık kümelerinin kullanılmasıdır. Nesnel ağırlıklandırmanın en önemli avantajı, kredi derecelendirmedeki manipülasyon imkanının ortadan kaldırılmasıdır. Modelde kriterlerin önemleri yerine sırasallıkları ağırlıklandırılmaktadır. Kredi gibi risk içeren konularda kriter önemlerinden bağımsız olarak dilsel terimlerde biriken risk göstergelerinin sıralanması daha büyük önem arzetmektedir. Nesnel ağırlıklandırma, bu sorunun çözümüne yönelik olarak tercih edilmektedir. Ayrıca, tez çalışması içerisinde uzmanlar tarafından ikili karşılaştırmalar yoluyla belirlenen öznel ağırlıkların kullanımı da açıklanmakta ve modeldeki işleyiş farklılığı gösterilmektedir. Öznel ağırlıklara yönelik olarak bir de duyarlılık analizi uygulanmıştır. Modelin bir diğer önemli yeniliği kriter havuzuna sosyal medya kriterlerinin de katılmış olmasıdır. Günümüzde sosyal medya ağlarında yapılan paylaşımlar ani olarak gündemi değiştirebilmektedir. Aynı şekilde firmalar hakkında yapılan olumlu ya da olumsuz paylaşımlar da firmaların piyasadaki etkinliklerini destekleyebilmekte ya da onları kötü etkileyebilmektedir. Mevcut bankacılık uygulamalarında da sosyal medya ağlarından ve tüm internet platformlarından uzman bilgisi dahilinde manuel olarak yararlanılıyor olmakla birlikte bugüne dek sosyal medya kriterlerini de içeren bir kredi derecelendirme modeli geliştirilmemiştir. Önerilen modelde sosyal medyadaki kullanıcı paylaşımlarının sayısallaştırılmasında sentiment (duygu) analizi kullanılmaktadır. Verilerin temini ve işlenmesindeki kolaylığın yanı sıra kendi popülerliği de gözönüne alınarak model kapsamında Twitter sosyal medya platformu tercih edilmektedir. Geliştirilen bilgisayar modellerinin manipülasyon riskini en aza indirmede başarı göstermesiyle birlikte sosyal medyanın daha geniş bir biçimde kredi derecelendirme modellerinde kullanımı yaygınlık kazanabilecektir. Önerilen modelin uygulaması için Borsa İstanbul'a koteli 64 firma seçilmiş ve bu firmaların 2015 yılının ikinci çeyreği için yayınladıkları finansal tablolar ve faaliyet raporları kullanılarak kriter puanları elde edilmiştir. Firmalara ilişkin sosyal medya kriterlerine ilişkin puanların belirlenmesi için çalışmaya özgü olarak geliştirilen bir algoritma vasıtasıyla Twitter'dan veriler toplanmış ve destek vektör makineleri yöntemi ile sentiment analizi gerçekleştirilmiştir. Elde edilen veriler gözönüne alınarak model çalıştırılmış ve sonuçları irdelenmiştir.
Özet (Çeviri)
In the banking sector,“credit”can be defined as allowing certain individuals or organizations to access specific resources with an agreement imposing predetermined conditions for both the lender and borrower. The bank should measure this risk's magnitude and potential influence in order to build an effective credit risk management system. The fundamental task of credibility measurement is the classification of applicants into risk groups. An applicant demonstrating good characteristics with regard to repayment strength and intention is considered as a creditworthy applicant. If an applicant has bad indications, it may be seen as an uncreditworthy one. The creditworthy applicants can be sorted into many groups with the aim of determining credit limits, conditions stipulated by the lender, etc. There are many classical and contemporary methods in the credit rating literature. In the earlier years, statistical methods (discriminant analysis, linear or logistic regression, probit analysis, etc.) were mostly exploited, but contemporary (intelligent) approaches such as machine learning, genetic programming, rough set theory, and fuzzy logic, etc. have become popular during the last two decades. Many different techniques like multiple criteria decision making (MCDM), data envelopment analysis, fuzzy logic, etc. are still being investigated in academic researches. Credit rating is based on the assessment of a borrowing company in terms of its financial and non-financial criteria. Financial measures are the monetary facts that are represented by ratios such as quick ratio, debt ratio, inventory turnover and profit margin before tax. Non-financial criteria, on the other hand, are considered regarding the commercial, managerial, and organizational activities of applicant organizations. Examples of these measures are the adaptability of organizations to strategic plans, improvement of customer satisfaction, and the future projection of a novel product/service, etc. However, since they include subjective evaluations, processing and quantification of non-financial measures are much more difficult than financial measures. Nowadays, a simple page of news broadcasted in an online environment, a situation assessment or a mention circulating on social media (for instance, microblogs like Twitter, Instagram, Facebook, or news pages on the Internet) have the potential to change the whole agenda throughout a given country. Accordingly, data gathered from the social network accounts of companies may be considered an important source of information. The relation between the social media efficiency of a company and its financial situation (i.e., share prices) was studied in literature. The modern financial sector is now faced with a situation in which the reliability of perceptions made by credit analyzers based on financial or non-financial measures has become insufficient for the complete assessment of credit rating. Furthermore, some organizations may actually apply for credit with insufficient, improper, manipulated or deceptive information. Qualitative assessments based on expert judgments of a credit committee in a bank gain particular importance for this kind of manipulative application. In this case, credit analyzers utilize data on social media and other Internet resources in order to strengthen their perception about the applicant's reliability and repayment capability. The current credit rating approaches in the literature focus on assigning the borrowers to a single credit rating. However, this kind of averaging for credit-worthiness may result with a great deal of information loss. A more comprehensive representation that shows the extent of the evidence of a potential borrower's credit-worthiness will be very useful and practical for credit analysts that will also provide a broader inference opportunity. In this respect, the Cumulative Belief Degree (CBD) approach could appear as a suitable method for credit rating evaluation since it enables not only aggregating criteria scores represented in different scales, but also provides a credit score distributed to credit ratings. This study proposes a new representation style as a risk distribution based on CBDs for the credit rating of the borrowers. The CBD approach is utilized for processing the performance scores. Financial and nonfinancial criteria represented with CBDs are aggregated by the Ordered Weighted Averaging (OWA) operator. The outcome of this analysis is the risk distribution of the borrower among credit ratings. Additionally, this representation can be transformed to a single credit rating by considering a threshold value that is calculated based on a goodness-of-fit test. The proposed model's first contribution is a new approach for the credit rating problem that allows the usage of different information types. All data are transformed to CBDs without any loss of information. Using the CBDs approach, the final credit ratings of the firms are calculated and represented by distributions among all the credit ratings. The second contribution is the CBD based representation of credit ratings. The lender can smooth the sharp boundaries of criteria by using the CBD concept. The distribution based credit rating can provide more inference possibilities for lender. For example, the lender may establish a rule set in order to assign credit limits, payment period, collateral or any kind of obligations by considering the proposed credit rating distribution approach. The firms with different CBDs at each credit rating may be held responsible from different liabilities. This representation's other advantage is the opportunity to transform it to a single credit rating. The lender may need to know the single credit ratings of the borrowers for legal purposes. Independent from the assigned single credit rating, a kind of indemnification can be requested from a firm depending upon its CBD. For instance, a firm having a CBD bigger than 0.60 with D rating can be regarded as responsible for providing more indemnification. The above-mentioned rule based system may automatize and eliminate the subjectivity in the credit borrowing process that is in credit analysts' responsibility in the current systems of the banks. These rule sets can be utilized for building intelligent credit rating systems and they can provide an interception for human error or the possibility of manipulation. None of these recommended possibilities is available in the single credit rating approaches. The third contribution to the credit rating literature is the use of an OWA operator in aggregating criterion scores. To eliminate subjectivity arising from the involvement of credit analysts, the criterion weights depending on experts' judgments are not considered in this method. OWA operator does not weight the importance of criteria, but the importance of their order of magnitude. The fourth contribution is the consideration of social media data in a credit rating approach. By this way, we introduced a new source of information that may be used when financial and/or non- financial data are not sufficient enough to make decisions regarding the creditability of a company. In order to process the social media data, sentiment analysis, which is fundamentally a machine learning based methodology, is utilized. Because of its popularity and easiness of acquiring data, Twitter was chosen as the source of social media data. In order to demonstrate the applicability of the proposed approach, 64 companies traded in Equity Market of Borsa İstanbul were analyzed and their credibility levels were represented by credit rating distributions. Furthermore, single credit ratings are determined for each firm based on a threshold value and a chi-sqaure similarity measurement approach in order to keep the risk concentration between different credit ratings in balance. Additionally, a model extention, which includes the subjective weights calculated by pairwise comparisons of credit analyzers were explained and applied. Then, a sensitivity analysis was applied to control the robustness of the proposed model and it is seen that the decision model can be accepted as robust for all the changes made in main criteria weights. As a further research, software for facilitating the calculations will be developed. In this manner, widespread usefulness and applicability of the proposed approach can be increased and it may gain wider scope as an assessment technique for other types of problems involving risk measurement.
Benzer Tezler
- Bilişim sistemlerindeki gelişmelerin işletme yönetimine etkileri, yönetim bilişim sistemleri geliştirme ve bir uygulama örneği
Effects of the evoluation of information systems on management, management information systems development and an example of its application
ZUHAL TANRIKULU
Doktora
Türkçe
1999
İşletmeİstanbul ÜniversitesiOrganizasyon ve İşletme Politikaları Ana Bilim Dalı
PROF. DR. EROL EREN
- Tüketici finansmanı çerçevesinde taşıt kredilerin işlevselliği
On the base of consumer credit functionality of car credit
EKİN ÖZBEK
- Ticari kredilerde bankacılık uygulamaları ve yatırım kredilerinin değerlendirilmesine yönelik bir uygulama
Banking applications for commercial loans and an application for evaluation of investment credit
ALPER ÖZMEN
- Banka kredilerinin ekonomide yarattıkları etkiler
Başlık çevirisi yok
NİHAL ÜÇSU
Yüksek Lisans
Türkçe
1987
Ekonomiİstanbul ÜniversitesiPara Banka Ana Bilim Dalı
PROF. DR. HAYRİ ERDOĞAN ALKİN