Geri Dön

Reassessment and monitoring of loan applications with machine learning

Yapay öğrenme ile kredi başvurularının yeniden değerlendirilmesi ve takibi

  1. Tez No: 478645
  2. Yazar: ZEYNEP BOZ
  3. Danışmanlar: PROF. DR. ŞEVKET İLKER BİRBİL, YRD. DOÇ. DR. DİLEK GÜNNEÇ DANIŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 54

Özet

Kredi skorlaması, kredi kurumlarının karar verme sürecinin en önemli boyutlarından biridir. Başvuru sahiplerinin kredi değerliliğini niceleştirmeye odaklanmaktadır. Bu tezin ilk bölümünde, başvuru sahiplerinin yeniden değerlendirilmesinde yapay öğrenmenin rolünü araştırmayı amaçlıyoruz. Bir anlamda, mevcut değerlendirme sisteminin hata riskini azaltmak için tamamlayıcı bir değerlendirme sistemi öneriyoruz. Bunun için, Türkiye'nin önde gelen kredi şirketlerinden biri tarafından temin edilen gerçek bir veri seti ile çalışıyoruz. Şirket tarafından iyi veya kötü olarak etiketlenmis¸ olan mevcut ve geçmis¸ müşteriler kümesini kullanarak, önemli özellikleri belirlemek ve bu etiketleri başvuru aşamasında tahmin edebilmek için bir takım sınıflandırma algoritmaları uyguluyoruz. Kullanılan veri seti, bir değerlendirme sisteminden geçen müşterilere ait olduğundan, iyi ve kötü etiketleri dengesiz bir dağılım izlemektedir. Sorunun bu dengesiz yapısıyla başa çıkabilmek ve uygulanan modellerin öngörme performanslarını iyileştirebilmek için de bir dizi çözüm yöntemi uyguluyoruz. Tezin ikinci bölümünde, mevcut müşterilerin statik ve dinamik bilgilerini kullanarak ileri dönemlerdeki ödeme davranışlarını öngörmeyi amaçlıyoruz. Davranıs¸sal puanlama, kredi kararından sonraki finansal riske odaklanır. Mevcut müşterilerin ödeme davranışları izlenerek gerektiğinde ilgili önlemlerin alınmasına destek olur. Bunun için müşterilerin dönemsel ödeme davranışlarını özetleyen bilgiler ile genel demografik ve finansal bilgilerini içeren bilgileri göz önünde bulunduruyoruz. Bu amaçla yine birçok sınıflandırma yönteminden faydalanıyoruz. Ayrıca, performans ve hedef periyotlarını değiştirerek, incelenen müşteri geçmişinin uzunluğunun model performansları üzerindeki etkisini ve kurulan modellerin tahmin performanslarını ne kadar süre koruduğunu da inceliyoruz.

Özet (Çeviri)

Credit scoring is one of the most important dimensions of the decision-making process for the loan institutions. It focuses on quantifying the credit worthiness of applicants. In the first part of the thesis, we aim to investigate the role of machine learning for the reassessment of the applicants. In a sense, we propose a complementary screening step to an existing scoring system. We use a real data set from one of the prominent loan companies in Turkey. The information provided by the applicants form the variables in our analysis. The company's experts have already labeled the clients as bad and good according to their ongoing payments. Using this labeled data set, we execute several classification algorithms to determine the important variables. As the data set consists of applicants who have passed who have passed the initial scoring system, most of the clients are marked as good. To deal with this imbalanced nature of the problem, we employ a set of different approaches to improve the performance of predicting the applicants who are likely to default. In the second part of this thesis, we aim to predict the payment behaviors of the clients based on their static and dynamic information. Behavioral scoring focuses on the financial risk after the loan decision. It corresponds to monitoring the payment behaviors of the existing clients and taking the related actions when necessary. We consider the payment behaviors as well as the general demographic and financial information of the clients. We employ several classification methods. Furthermore, we also analyze the effect of the length of the event history and the staying power of the prediction models.

Benzer Tezler

  1. Diferansiye tiroid kanserlerinin takibinde kullanılan tiroglobulin testinin analitik performansının değerlendirilmesi

    Evaluation of the analytical performance of the thyroglobulin test used in the follow-up of differentiated thyroid cancers

    TUBA SAADET DEVECİ BULUT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    BiyokimyaGazi Üniversitesi

    Tıbbi Biyokimya Ana Bilim Dalı

    PROF. DR. ÖZLEM GÜLBAHAR

  2. Project céramique / Maastricht; reassessment of a regeneration project

    Proje céramique / Maastricht; yeniden canlandırma projesi için bir değerlendirme

    DENİZ MUTLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    MimarlıkOrta Doğu Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. ALİ CENGİZKAN

  3. Yapay zekâ ve demokrasi

    Artificial intelligence and democracy

    AYŞE NUR YAZICILAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    PROF. DR. ŞULE ÖZSOY BOYUNSUZ

  4. Serebral palsili çocuklarda Tc-99m HMPAO ile beyin perfüzyon SPECT'nin değerlendirilmesi

    Başlık çevirisi yok

    MERYEM KAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1997

    Radyoloji ve Nükleer TıpTrakya Üniversitesi

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. ŞAKİR BERKARDA

  5. Development of a risk management decision support system for international construction projects

    Uluslararası inşaat projeleri için bir risk yönetim karar destek sistemi geliştirilmesi

    ARİF ERDEM ARIKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2005

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İREM DİKMEN TOKER

    PROF. DR. MUSTAFA TALAT BİRGÖNÜL