Kredi riskinin belirlenmesinde yapay zekâ yaklaşımları ve bir uygulama
Artificial intelligence approaches and an application in determining credit risk
- Tez No: 658090
- Danışmanlar: PROF. DR. ERGÜN EROĞLU
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Determination of credit risk, artificial neural networks, support vector machines, control of model complexity
- Yıl: 2020
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Sayısal Yöntemler Bilim Dalı
- Sayfa Sayısı: 239
Özet
Yapay zekâ yöntemleri, emekleme aşamasını hatta yürüme dönemlerini çoktan atlattı ve teknolojinin faydalarından yararlanmak ve böylelikle işlerini daha düzgün, daha verimli ve yaratıcı bir formasyonda yapmak isteyen tüm çevrelerin odak noktası haline geldi. Günden güne hızla gelişen bu yöntem ve yaklaşımların kredi riski değerleme gibi kadim problemlere ürettikleri çözümler de en çok merak edilen ve araştırılan konuların başında geliyor. Bu tez çalışmasında, yapay zekâ yöntemlerinden, Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM), geleneksel istatistiki yöntemlerden ise Lojistik Regresyon (LR) kullanılmıştır. Yöntemler, bir bankadan alınan, üç farklı, gerçek hayat verisine uygulanmıştır. Bunlardan birincisini, bireysel verilerin yer aldığı ve 407 adet gözlemden oluşan“Bireysel Veri Kümesi”oluşturmaktadır. İkincisini ise, kurumsal müşteri verilerinin bulunduğu ve 12921 adet gözlemden oluşan“Kurumsal Veri Kümesi”oluşturmaktadır. Üçüncüsünü ise, yine ikincil veri kümesinden türetilmiş, 1590 tanesi kusurlu ve 1590 tanesi kusursuz müşterilerin verilerinden ve toplam 3180 adet gözlemden oluşan“Dengeli Kurumsal Veri Kümesi”oluşturmaktadır. Her üç veri setinde de, DVM en yüksek doğruluk oranını veren yöntem olmuştur. Kurumsal veri kümesinden, dengeli kurumsal veri kümesine geçildiğinde, veri miktarında yaklaşık %75 oranında azalış meydana gelmiştir. Veri miktarındaki bu azalışın, doğruluk oranı bakımından, DVM'ni hiç etkilemediği (%1 arttı), YSA'nı (%22 azaldı) ve LR'u (%30 azaldı) ise oldukça fazla etkilediği görülmüştür. Dolayısıyla sınırlı veri söz konusu olduğunda, DVM'nin diğer yöntemlere kıyasla daha başarılı bir yöntem olduğu, bu tez çalışmasında da görülmüştür. Anahtar Kavramlar: Kredi riskinin belirlenmesi, yapay sinir ağları, destek vektör makineleri, model karmaşıklığının kontrolü
Özet (Çeviri)
Artificial intelligence methods have already survived the infancy and even the walking periods, and it has now become the focus of all circles who want to take advantage of the benefits of technology and thus do their jobs in a smoother, more efficient and creative formation. The solutions created by these methods and approaches that are rapidly developing day by day to ancient problems such as credit risk valuation are among the most curious and researched topics. In this thesis, among the artificial intelligence methods, Artificial Neural Networks (ANN) and Support Vector Machines (SVM), and from traditional statistical methods, Logistic Regression (LR) were used. The methods are applied to three different real life data from a bank. The first of these is the“Individual Data Set”consisting of individual data and 407 observations. The second is the“Corporate Data Set”, which contains corporate customer data and consists of 12921 observations. The third is the“Balanced Corporate Data Set”, which is also derived from the secondary data set, consisting of 1590 defective and 1590 flawless customer data and 3180 observations in total. In all three data sets, SVM was the method that gave the highest accuracy. When the transition from the corporate data set to the balanced corporate data set, the amount of data decreased by approximately 75%. It was observed that this decrease in data amount did not affect SVM at all (1% increase), ANN (22% decrease) and LR (30% decrease) in terms of accuracy rate. Therefore, in the case of limited data, it has been seen in this thesis that SVM is a more successful method compared to other methods.
Benzer Tezler
- Yapay sinir ağları ile kredi skorlama
Credit scoring with artificial neural network
BURAK DONEL
Yüksek Lisans
Türkçe
2012
Bankacılıkİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CUMHUR EKİNCİ
- Ticari bankalarda sorunlu kredi yönetimi ve bir araştırma
Bad loans management in commercial banks and a research
ORHAN ÇOLAKOĞLU
- Finansal tablolardaki hile riskinin belirlenmesi: Yapay sinir ağı modeliyle bir bankada uygulama
Fraud risk determine on financial statement: An application in a bank with artificial neural network model
MUSTAFA UĞURLU
- Kredi temerrüt swapları ve Türkiye'nin kredi temerrüt swap priminin belirlenmesine yönelik bir çalışma
Credit default swaps and a study to determine the credit default swap premium for Turkey
ABDULLAH SELİM KUNT
- Ticari banka kredilerinin değerlendirilmesine yönelik bir karar destek modeli
A decision support model for the evaluation of commercial credits
SAİT GÜL
Doktora
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR KABAK
PROF. DR. YUSUF İLKER TOPCU