Derecelendirme modelleri ve skor kart uygulaması için istatistiksel model önerisi
A statistical model proposal for rating models and score card application
- Tez No: 545113
- Danışmanlar: DOÇ. DR. İBRAHİM DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, İstatistik, Banking, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 121
Özet
Kredi; kurumların fon ihtiyacı olan gerçek veya tüzel kişilere belirli vadeler ve anlaşmalar çerçevesinde, kullanım türüne, vadesine, şekil şartlarına göre değişebilen fon arzıdır. Kredinin kullanan tarafından belirlenen vadelerde ödenip ödenmemesine göre fonu arz eden kurum için risk teşkil etmektedir. Kredinin en yaygın kullandırımının yapıldığı yer şüphesiz finansal kurumlardır. Finansal kurumlar içerisinde de en büyük pay bankalarındır. Her geçen gün artan kredi kullanımları bankalar içinde riskin giderek arttığının göstergesidir. Bu sebeple bankacılık risklerin yönetilmesi esasına dayanmaktadır. Risklerin yönetilmesi bankacılık sektörünün sağlıklı işleyişi için oldukça önemlidir. Bu riskin yönetilmesi sadece Türkiye'de değil dünya genelinde de sürekli gündem konusu olmaktadır. Bu sebeple dünyanın çeşitli ülkeleri bir araya gelerek Basel uzlaşı oluşturulmuş ve bu kurallara uyumu bankacılık için temel gereklilik atfedilmiştir. Türkiye'de de bu kurallara uyum gösterilmektedir. Bu kurallara uyumun kontrolü ve yönetimi Bankacılık Düzenleme ve Denetleme Kurumunda'dır. Basel-II kurallarında İçsel Derecelendirme Modellerinin şekil ve şartlarına göre müşterilerin batma (temerrüt etme) olasılıklarının tahminlenmesi, tespit edilmesi ve müşterilerin temerrüt olasılıklarına göre sınıflandırılması yer alır. Bu kurallar çerçevesinde müşterilerin batma olasılıklarının belirlenebilmesi için çeşitli skor kartlardan faydalanılmaktadır. Skor kartlar neticesinde elde edilen batma olasılıkları tahmin edilmekte ve müşterileri iyi veya kötü müşteri olarak sınıflandırmada yardımcı olmaktadır. Kredi skorlaması, kredi kurumunun kârını ya da kaybını belirlenmesi için temel taştır. Durumun belirlenmesi için temelde“skorlanmak istenen kitle nedir, hangi özelliklere mevcuttur, bu kitleyi ayıran en temel özellikler nelerdir”sorularının tespit edilmesi gerekmektedir. Temelde hangi amaca, hangi kitleye yönelik skorlama yapılacaksa o kitlenin özelliklerini yansıtan ve o kitleyi en iyi ve en etkin şekilde ayıracak skorlama yapılmasıdır. Bu skorlama skor kartların yardımı ile yapılmaktadır. Skor kartlar için literatürde yer alan birden fazla yöntem ve sistem mevcuttur. En iyi tahminleyiciden, en etkin belirleyiciye, en etkin kullanımdan yasal otoritelerce kabul edilebilecek çok sayıda method bulunmaktadır. Literatürde yer alan kredi skorlama modelleri incelenmiş, gerçek veri kümesi üzerinden skor kartlar oluşturulmuştur. Mevcut müşterilere ait davranışsal skor kart üretilerek batma olasılıkları incelenmiştir. Çalışmada literatürde geçerli olan ve yasal otoriteler tarafından kabul edilen lojistik regresyon ve yapay sinir ağları ile skor kart oluşturulmuş ve sonuçlar tartışılarak karşılaştırılmıştır. Skor kartlar neticesinde birinci tip ve ikinci tip hata değerleri karşılaştırılmıştır. Her iki yöntem içinde Alıcı İşletim Sistemi Karakteristiği (ROC ) eğrisi hesaplanmış ve bu değerin Yapay Sinir Ağları yöntemi ile daha iyi olduğu görülmüştür. Müşterilerin batıp batmama olasılıklarını Yapay Sinir Ağları yöntemi daha iyi tespit etmekte ancak literatürde ve yasal gerekliliği açıklayabilirliği sebebiyle lojistik regresyon ile kurulan skor kartlar daha çok tercih edilmektedir.
Özet (Çeviri)
Credit is a supply of funds that can be utilized by retail and corporate person within a scope of pre-determined terms such as price, maturity and other covenants. Probability that a credit installment is not paid at the pre-determined maturity creates a risk which is called“default risk”. Credit utilization is most widely provided by financial institutions. Banks constitute the largest share among them all. Increased credit utilization in the market is a sign of a rise in overall default risk for banks as well. Thus, banking system is highly relied on risk management. Risk management is not only crucial for Turkey but also an important topic for the whole world's financial system. For this reason, Basel consensus which consists of a list of fundemental rules has been accepted by the gathering of various countrie. In Turkey, Banking Regulation and Supervision Agency is the managing and controlling authority for the compliance of Basel rules. Basel II rules –based on Internal Rating Models- aims to predict default risk and segmentation of the customers. Score cards are utilized to determine default risk. Default risk predictions by score cards help define customers/credits as good or bad. In addition, these predictions are used as an input value for the calculation of required reserve ratio for unexpected losses defined in Basel II. Credit scoring is the key factor for a financial institution to define whether to be in profit or loss position. To define the current profit/loss position, first it is required to determine the target group and its main characteristics. Specialization of the scoring with the definitive values of the target group is highly important to get a meaningful result. Specialization of the scoring is done by creating score cards. There are various methods to create score card in literature. In this study, various methods in literature are examined. Then logistic regression and artificial neural networks methods that are internationally accepted by legal authorities have been used to create score cards. Behavioral score cards are created based on a data set derived from a bank. Default risk rates of these score cards are analized and the results are discussed comparingly. With the help of score card results, primary and secondary type error values have been compared. Receiver Operating Characteristic (ROC) values have been calculated for both methods and between them Artificial Neural Networks method results are much successful. In predicticting default risk rate Artificial Neurol Network is observed to provide better results, on the other hand score cards based on logistic regression is preferable in literature and for the explanation of legal requirement.
Benzer Tezler
- Bankacılıkta kredi derecelendirme modeli
Credit rating model in banking
MURAT CEYLAN
Yüksek Lisans
Türkçe
2022
BankacılıkMarmara Üniversitesiİş Analitiği Ana Bilim Dalı
DOÇ. DR. ENES ERYARSOY
- Türk bankacılık sisteminde UFRS çerçevesinde firmaların derecelendirilmesi ve makine öğrenmesi ile model önerisi
Model proposal with rating and machine learning of companies within the framework of IFRS in the Turkish banking system
GÜNER ALTAN
- Major depresyon olgularında norepinefrin transfer geni polimorfizmleri sıklığı
Frequency of norepinephrine transporter gene polymorphisms in major depression
HAKAN GÜRKAN
Yüksek Lisans
Türkçe
2006
Tıbbi BiyolojiTrakya ÜniversitesiTıbbi Biyoloji Ana Bilim Dalı
DOÇ.DR. GÖKAY BOZKURT
- IMDB movie rating prediction with feature extraction and machine learning methods
Özellik çıkarımı ve makine öğrenimi ile IMDB film puanı tahmini
AHMET FATİH DERELİ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SENİYE ÜMİT FIRAT
YRD. DOÇ. DR. CANAN AĞLAN