Tüketici kredisi taleplerinin yapay öğrenme modelleriyle değerlendirilmesi
Evaluation of consumer credit requests via machine learning models
- Tez No: 555463
- Danışmanlar: DOÇ. DR. TOLGA KAYA
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Destek vektör makineleri, Kredi skorlama, Lojistik regresyon modelleri, Makine öğrenmesi yöntemleri, Sınıflama ve Regresyon Ağacı, Tüketici kredileri, Veri madenciliği, Yapay zeka, Support vector machines, Credit scoring, Logistic regression models, Machine learning methods, Classification and Regression Trees, Consumer credits, Data mining, Artificial intelligence
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İşletme Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünyadaki finansal sistemin yapısına ve her gün artan tüketici taleplerine bağlı olarak son yüzyılda kredi pazarı sürekli büyüyen ve gelişen bir pazar haline gelmiştir. Bütün sektörleri ve ekonomileri etkileyen kredi pazarı, taleplerde ve ürün çeşitliliklerindeki artış ile kurumların etkili bir finansal risk yönetim sistemi kurmaları gereksinimini doğurmaktadır. Sektördeki düzenlemeler de etkin risk yönetim sistemlerinin kurulmasını ve idamesini zorunlu kılmaktadır. Riski yönetilebilir hale getirmenin temel adımlarından bir tanesi de söz konusu riski ölçebilmektir. Günümüzde risk ölçümü ve değerlendirilmesi için çok çeşitli sayısal yöntemler mevcuttur. Bu yöntemlerin odak noktalarından birisi de tüketici kredisi talepleri üzerine yoğunlaşan başvuru skorlaması yöntemleridir. Kredi başvuru skorlaması, geçmişten günümüze çeşitli istatistiksel yöntemlerin uygulama alanı bulmasıyla sürekli gelişebilen bir alandır. Bilgisayar çağında, veri işleme ve veri depolama teknolojilerindeki hızlı gelişim ile son dönemde veri madenciliği ve yapay öğrenme gibi tekniklerin bu alanda kullanımı artmıştır. Tüketici kredisi başvurularının değerlendirilmesi konusu, genellikle kredileri tahsis edip etmemek üzerine kurulu, ikili çıktılar veren problemler olarak ele alınmaktadır. Yapay öğrenme yöntemleri içinde ikili sınıflandırma yapabilen gözetimli öğrenme algoritmaları ile geçmiş verilerden öğrenen bir model ile ileriye yönelik tahminleme yapılabilmektedir. Bu çalışma kapsamında, tüketici kredilerinin değerlendirilmesinde gözetimli öğrenme tekniklerinden lojistik regresyon, destek yöney makineleri, k-en yakın komşu, rastgele ormanlar ve XGboost kullanılarak mevcut veriler üzerinden modeller geliştirilmiştir. Modellerde kullanılan verilerde, ön işleme ve çeşitli öznitelik mühendisliği yöntemleri kullanılarak problem çözümünde etkin değişkenlerin tespit edilmesi, veri boyutunun indirgenmesi ve model başarımlarının arttırılması sağlanmıştır. Kredi temerrüt oranlarını iller bazında gösteren resmi istatistikler de öznitelik kümesine dâhil edilerek modeller için bölgesel risk faktörü boyutu elde edilmiştir. Geliştirilen modeller için en iyi modelin seçiminde ise alıcı işletim özellikleri eğrisiyle birlikte ekonomik kazancı ifade eden bir amaç fonksiyonu kullanılmıştır. Çalışmada belirlenen amaç fonksiyonunu en iyileyen sınıflandırma modeli, rastgele ormanlar yöntemiyle elde edilen model olmuştur. Modelin alıcı işletim özellikleri eğrisi altında kalan alan ile değerlendirilen başarımı %90'ın üzerinde bir ayrıştırma gücü olduğunu göstermektedir. Belirlenen koşullar altında gerçekleşen senaryolar için seçilen model ile %4'ün üzerinde bir sermaye kazanç oranı elde edilmiştir.
Özet (Çeviri)
In the last century, the credit market has become a growing and developing market regarding increasing consumer demand on credit and the requirements of the financial system in the world. The credit market, which affects all business sectors and economy of the countries, raises the need for financial institutions to establish an effective financial risk management system with the increase in demand and product diversity. Regulations in the sector also require the establishment and maintenance of effective risk management systems. One of the basic steps to make risk manageable is to measure the risk. There are a number of quantitative methods available for risk measurement and evaluation. One of the focus of these methods is the application scoring methods that concerned about consumer credit demands. Credit application scoring is a field that can be developed continuously by the application of various statistical methods from past to present. Recent techniques such as data mining and machine learning have increased their field of use in credit scoring area, due to the rapid development of data processing and data storage technologies in modern world. The issue of the evaluation of consumer loan applications is generally considered as problems that have binary outputs, based on whether to allocate loans. It is possible to make predictive estimation with a model that learns from historical data with supervised learning algorithms which can make binary classification within machine learning methods. Within the scope of this study to evaluate consumer credit applications, models have been developed through the available credit data by using supervised learning techniques such as logistic regression, support vector machines, k-nearest neighbors, random forests and XGboost. It was ensured that detection of the effective variables on the problem, reduction of dimensionality and performance increase by using data pre-processing and various feature engineering methods. The statistics showing the credit default rates by province are also included in the attribute set and the regional risk factor dimension is supplied for the classification models. Receiver operating characteristics curve and an objective function which represents economic gain was used together for the selection of the best model among all developed models. In the study, the classification model which has the best objective function value has been obtained by random forests method. The performance of the model had been evaluated by the area under the receiver operating characteristics curve. Area under the curve showed a decomposition force of over 90%. A capital gain ratio over 4% had obtained for likely scenarios under the specified conditions with the random forests model.
Benzer Tezler
- Türkiye'de yonga levha endüstrisi sorunları ve çözüm yolları
Die spanplatten indüstrie in der Türkei ihre probleme und lösungsmöglichkeiten
ABDİ EKİZOĞLU
- Alt ve orta gelir grubunun konut edinimi sorununun çözümünde bankacılık sisteminin rolü
The role of the banking system in solving the housing problem of lower and middle income groups
KEMAL SERDAR YILMAZ
Yüksek Lisans
Türkçe
2010
BankacılıkMarmara ÜniversitesiBankacılık Ana Bilim Dalı
DOÇ. DR. EBRU ÇAĞLAYAN
- Tüketici kredileri ve Türkiye uygulaması
Consumer credits and their application in Turkey
AHMET ÖZGÜMÜŞ
Yüksek Lisans
Türkçe
1996
EkonomiKaradeniz Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. ATİLA KESİM