Geri Dön

Predicting credit default risk using machine learning algorithm

Makine öğrenmesi algoritmasını kullanarak kredi temerrüt riskini tahmin etme

PDF İndir

  1. Tez No: 563010
  2. Yazar: MEHMET TELİMEN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ BARIŞ SOYBİLGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bankacılık, Banking
  6. Anahtar Kelimeler: Algoritmalar, Kredi riski, Makine öğrenmesi, Risk tahmini, Sınıflandırma, Tahmin, Temerrüt riski, Tüketici kredileri, Algorithms, Credit risk, Machine learning, Risk forecasting, Classification, Estimation, Default risk, Consumer credits
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: İstanbul Bilgi Üniversitesi
  10. Enstitü: Lisansüstü Programlar Enstitüsü
  11. Ana Bilim Dalı: Bankacılık ve Finans Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada, makine öğrenmesi algoritmaları kullanılarak, tüketici kredisinin temerrüte düşme ihtimalini tahminleyen analitik modellerin oluşturulması amaçlanmıştır. Çalışmada, bir bankanın müşterilerine ait veriler, bankanın test ortamından anonim hale getirilerek kullanılmıştır. Söz konusu veri seti müşterinin bankadaki kredisinin gecikme durumu ve kredi başvuru aşamasındaki sorgulanmış Kredi Kayıt Bürosu (KKB) verilerinden oluşturulmuştur. Veri kümesindeki örneklemlerin yarısı gecikmişe düşmüş, yarısı da gecikmişe düşmemiş kredi kayıtlarından oluşacak şekilde hazırlanmıştır. Çalışmada, gözetimli makine öğrenmesine dayalı sınıflandırma tekniklerinden yaygın olarak kullanılan dört tanesi ele alınmıştır. Bunlar, Logistik Regression, Linear Discriminant Analizi, Quadratik Discriminant Analizi ve K-En Yakın Komşuluk Metodudur. Her bir model için veri setinin yarısı eğitim için kullanılırken diğer yarısı da modelin test edilmesi için kullanılmıştır. R studioda R programlama dilindeki ilgili fonkisyonlar kullanılarak aynı eğitim seti ile eğitilen bu modeller yine aynı test seti ile test edilip tahmin oranları kıyaslanmıştır. Kıyaslama sonucu, bahsedilen veri kümesi üzerinden hesaplandığında, tüketici kredisinin temerrüte düşme ihtimalini en yüksek doğruluk oranı (%58.30) ile lojistik regresyona ait modelin tahmin ettiği gözlemlenmiştir.

Özet (Çeviri)

In this study, it was aimed to construct the analytical models that predict the probability of default of consumer credit by using machine learning algorithms. The data belonging to the customers of a bank has been used by making anonymity from the bank's test environment. This data set was composed of the lending status of the customers in the bank and the questioned credit bureau data at the credit application stage. Half of the samples in the data set were selected from those who had been in default and half were not. In the study, four of the widely used techniques of classification based on machine learning have been discussed. Those are Logistic Regression, Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QDA), and K-Nearest Neighbors (KNN). For each model, half of the data set was used for training and the other half was used for testing. Those models, which were trained with the same training set using the corresponding functions in R studio with R programming language, were tested with the same data set and the accuracy rates of them were compared. As a result of the comparison, with given this data, it is observed that the model of the Logistic Regression estimated the probability of default of the consumer loan with the highest accuracy rate which was 58.30%.

Benzer Tezler

  1. Tez No

    512081

    Makine öğrenmesi yöntemleri ile kredi risk analizi

    Credit risk analysis using machine learning algorithms

    SACİDE KALAYCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Tez No

    1015462

    Geleneksel ve modern risk yönetimi çerçevesinde kredi riski: Bireysel ve ticari kredilere yönelik hibrit makine öğrenmesi modellerinin uygulanması

    Credit risk within the framework of traditional and modern risk management: The application of hybrid machine learning models for consumer and commercial loans

    AYKUT ŞENGÜL

    Doktora

    Türkçe

    Türkçe

    2026

    BankacılıkMarmara Üniversitesi

    Bankacılık Ana Bilim Dalı

    PROF. DR. LEVENT ÇİNKO

  3. Tez No

    478645

    Reassessment and monitoring of loan applications with machine learning

    Yapay öğrenme ile kredi başvurularının yeniden değerlendirilmesi ve takibi

    ZEYNEP BOZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Endüstri ve Endüstri MühendisliğiSabancı Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞEVKET İLKER BİRBİL

    YRD. DOÇ. DR. DİLEK GÜNNEÇ DANIŞ

  4. Tez No

    822455

    Credit Default Swap Markets and Credit Risk Pricing - A Comparative Study

    Kredi Temerrüt Takası(CDS) Piyasaları ve Kredi Riski Fiyatlandırması - Karşılaştırmalı Bir Çalışma

    YALIN GÜNDÜZ

    Doktora

    İngilizce

    İngilizce

    2008

    BankacılıkKarlsruher Instıtut Fur Technologıe

    Finans Ana Bilim Dalı

    PROF. DR. MARLIESE UHRIG-HOMBURG

  5. Tez No

    957600

    Analitik hiyerarşi prosesi destekli kredi skoru oluşturulması ve makine öğrenmesi ile tahmin performansı analizi

    Analytic hierarchy process supported credit score construction and prediction performance analysis using machine learning

    BENAY MURATOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İstatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. ALİ HAKAN BÜYÜKLÜ

Geri Dön