Using predictive analytics methods for credit risk analysis
Başlık çevirisi mevcut değil.
- Tez No: 648279
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Banking, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: kredi, kredi riski, tahmine dayalı analitik, makine öğrenimi, veri madenciliği, büyük veri, bankacılık, credit, credit risk, predictive analytics, machine learning, data mining, big data, banking
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 211
Özet
Günümüzün teknoloji odaklı ortamı, tüketicilerin ihtiyaçlarına anında ve doğrudan ulaşmalarını sağlar. Bu çeviklik, büyük miktarda talep ve en azından aynı oranda da arz yaratır. Şirketler dalgayı yakalamak için birbirleriyle rekabet ederken, aynı zamanda bu hızlı eylemlerin neden olduğu çeşitli riskleri yönetebilmek için, organizasyonları içerisinde bir takım zorluklarla yüzleşirler. Bu nedenle, şirketlerin performanslarını artırmak için doğru risk yönetimi uygulamalarını takip etmeleri gerekir. Benzer şekilde, risk yönetiminin önemi, risk yönetiminin kârı maksimize etme veya başka bir deyişle kaybı minimize etmenin bir yolu olarak görülmesi nedeniyle finansal şirketler tarafından daha fazla vurgulanmaktadır. Kredi riski değerlendirmesi, tüm risk yönetimi konusu içerisinde özellikli bir öneme sahiptir ve bilhassa bankaların varoluş amaçları nedeniyle onlar için daha fazla önem arz etmektedir. Günümüzün finansal hizmetler endüstrisi bir hayli dinamiktir ve buna bağlı olarak bankalar halktan daha fazla kredi veya kredi kartı başvurusu almaktadır. Bu, bankalar için olumlu bir işaret olsa da, borç verme prosedürlerinin hızlı bir şekilde yürütülmesini sağlarken, beraberinde gelen riskleri de yönetmeleri gerekir. Ayrıca, uzun vadeli istikrarın sağlanması için, müşteri davranışının daha iyi anlaşılması gerekir. Bu nedenle, pazar paylarını korumak veya geliştirmek ve varlıklarını sürdürmek için geleceğe yönelik doğru tahminler yapmak zorunlu bir öncelik haline gelmektedir. Müşterileri aracılığıyla bankalara sürekli bir işlemsel ve operasyonel veri akışı vardır. Buna ek olarak, bankalar periyodik olarak müşterilerinden bilgi toplamaktadır. Bunun nedeni ister müşteri memnuniyeti, hizmet kalitesini arttırma, yeni müşteri kazanımı veya isterse de müşteri kaybını önleme olsun, sonuç çok büyük miktardaki veridir. Takip eden süreçte, bu büyük verileri işlemek için tahmine dayalı analiz teknikleri kullanılır ve kredi risklerini tahmin etmek için içgörü sağlayan sonuçlar elde edilir. Bu çalışmada I-Cheng Yeh tarafından UCI veri deposuna yüklenen ve erişime açık olan Tayvan kredi verisinin veri setine tahmine dayalı analitik yöntemleri uygulanmıştır. Amaç, müşterinin tarihsel kredi ödeme verilerini, on bir farklı algoritmik yöntemle inceleyerek, müşterinin kişisel kredisinin taksitlerini zamanında ödeyip ödemeyeceğini tahmin etmektir. Bu veri kümesinde 30000 müşteri bulunmaktadır. Veri seti, verilen kredi miktarını ve Nisan-Eylül 2005 arasındaki altı aylık geçmiş ödeme kayıtlarını içerir. Sonuç olarak müşterinin kredibilitesinin belirlenmesi amaçlanmaktadır.
Özet (Çeviri)
Today's technology-driven environment allows consumers to reach their needs immediately and directly. This agility creates huge amount of demand and at least that much of supply. During companies compete with each other to catch the wave, they also face challenges within their organisation to manage various risks caused by these rapid actions. Therefore, companies require to track accurate risk management practices to improve their performance. Similarly, the importance of risk management is attracting more emphasis by financial companies due to the fact that managing risks is seen as a way to maximize profit, or in other words to minimize loss. Credit risk assessment is specifically an important segment of whole risk management subject and it is getting more substential especially for banks owing to their raison d'etre. Today's financial services industry is dynamic and consequently banks receive more loan or credit card applications by public. Even though it is a positive sign for the banks, they need to manage the accompanying risks while they keep swift lending procedures. Further, more understanding of customer behaviour is needed to achieve stability in long-term. Therefore, making accurate future predictions to protect or improve their market share and to maintain presence is becoming an obligatory priority. There is a continuous flow of transactional and operational data to banks through their customers. In addition to this, banks gather information from their customers periodically. Either the reason is customer satisfaction, enhancing service quality, new customer acquisiton or churn prevention, the result is a huge amount of data. Thereafter, predictive analytics techniques are used to process this big data and insightful results are produced in order to forecast credit risks. In this study, predictive analytics methods are applied to an open-access dataset of Taiwan credit data which was uploaded to UCI Data Repository by I-Cheng Yeh. The purpose is to predict whether a client is going to pay installments of a personal loan on time or not by examining historical credit payment data with eleven different algorithmic methods. There are 30000 clients in this dataset. It includes the amount of credit limit and a total of six months historical payment records from April to September 2005. As a consequence, determining the client's credibility is aimed.
Benzer Tezler
- Early warning model with machine learning for Turkish Insurance Sector
Türk Sigorta Sektörü için makine öğrenimi ile erken uyarı modeli
GÜNAY BURAK KOÇER
Yüksek Lisans
İngilizce
2019
Aktüerya BilimleriOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı
PROF. DR. AYŞE SEVTAP KESTEL
- En uygun hayat sigortası poliçesi seçimini sağlayan bir karar modeli
A Decision model for selecting the optimum insurance policy
H.BÜLENT CERİT
Yüksek Lisans
Türkçe
1995
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. RAMAZAN EVREN
- A stress testıng framework for the Turkısh bankıng sector: an augmented approach
Türk bankacılık sektörü için bir stres testi çerçevesi: Bir genişletilmiş yaklaşım
BAHADIR ÇAKMAK
Doktora
İngilizce
2014
BankacılıkOrta Doğu Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. NADİR ÖCAL
- Makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using machine learning algorithms
SACİDE KALAYCI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Apache spark tabanlı destek vektör makıneleri ile akan büyük veri sınıflandırma
Apache spark based distributed svm algorithm for stream data classification
BARIŞ AKGÜN
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ