Temerrüt halinde kayıp tahminlemesi için denetimli ve denetimsiz öğrenme yöntemlerinin birlikte kullanılması
Co-use of supervised and unsupervised learning methods to predict loss given default
- Tez No: 684082
- Danışmanlar: PROF. DR. SEMRA ERPOLAT TAŞABAT
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 67
Özet
Küresel Ekonomik krizler Bankacılık sektöründe mevcut ve ileriye dönük kredi riskinin doğru ölçülmesi ihtiyacını beraberinde getirmiştir. Bu çerçevede uzlaşılan Basel kararları ile kredi riskine ilişkin Temerrüt Olasılığı (PD), Temerrüt Tutarı (EAD) ve Temerrüt Halinde Kayıp (LGD) gibi risk ölçüm modelleri geliştirilmiştir. Bu modeller sermaye yeterlilik rasyosunun yanı sıra TFRS9 raporlama standartları kapsamında sorunlu kredi karşılık hesaplamalarını da etkilemiştir. Sermaye yeterlilik rasyosu Banka sermayesinin risk ağırlıklı varlıklara oranıdır. Risk ağırlıklı varlıkla ile banka yükümlülüklerinin kayıp riskine esas tutar bulunmaya çalışılır. Bu tutarın hesaplamasında en önemli girdilerden biri temerrüt halinde kayıp oranının (LGD) tahmin edilmesidir. SYR hesaplamaları ile sermeye yeterliliği belirlendiğinden kullanım amacına uygun olarak kısa vadeli konjektörel hareketlerden etkilenmemesi gerekir bu sebep en az bir ekonomik döngü içerisinde yer alan (en az 7 yıl) panel veriler kullanılmalıdır. TFRS9 raporlamasında ise farklı olarak anlık risklerin hesaplanması esastır. Bu nedenle kullanılan panel veri zaman derinliğinden (en fazla 4 yıl) çok yatay genişliği kapsayıcılığı önemlidir. Kredi riski hesaplamasında kullanılan diğer iki bileşen olan PD ve EAD modelleri için oldukça yaygın bir uygulama ve literatür oluşmasına rağmen LGD modelleri için hem veri hazırlama hem de modelleme tekniği zorlukları sebebiyle bu durum söz konusu değildir. PD ve EAD modelleri için sıklıkla LOGIT Regresyon veya karar ağacı yöntemleri kullanılırken, LGD modelleri için kısıtlı bir litaratürle birlikte uygulamada sadece karar ağacı yöntemleri uygulanmıştır. LGD verisi bir müşterinin borçlarını olağan süreçte ödeyemez hale geldikten sonra bankanın alacaklarının ne kadarını tahsil edebileceğini ve bu tahsilatlarının zaman periyodunda ki hareketlerini tahmin etmeye çalışır Ancak panel veri tipine karar ağacı yöntemlerinin uygulanmasında ki zorluklar sebebiyle veri kayıplarına katlanılarak veri basitleştirmelerine gidilmektedir. Bu çalışmada, LGD modellerinde yapılan yaklaşımların eksik yönleri gösterilerek yenilikçi yöntemler önerilmektedir.
Özet (Çeviri)
Global Economic crises Have led to the need to accurately measure the current and forward credit risk in the banking sector. Within this framework, risk measurement models such as Probability of Default (PD), Default Amount (EAD) and Loss in Default (LGD) related to credit risk have been developed with the basel decisions agreed. In addition to the capital adequacy ratio, these models also affected problem loan provision calculations under TFRS9 reporting standards. The capital adequacy ratio is the ratio of Bank capital to risk-weighted assets. With risk-weighted assets, it is tried to find an amount based on the loss risk of bank liabilities. One of the most important inputs in the calculation of this amount is the estimation of the loss rate (LGD) in case of default. Since the competence to lay is determined by SYR calculations, it should not be affected by short-term congestive movements in accordance with the purpose of use, this reason should be used panel data contained in at least one economic cycle (at least 7 years). In TFRS9 reporting, it is essential to calculate immediate risks. Therefore, horizontal width containerity is more important than the depth of panel data time used (up to 4 years). Although there is widespread practice and literature for PD and EAD models, the other two components used in credit risk calculation, this is not the case due to both data preparation and modeling technique difficulties for LGD models. While LOGIT Regression or decision tree methods are often used for PD and EAD models, only decision tree methods have been applied in practice with a limited litarature for LGD models. LGD data tries to estimate how much of the bank can collect and the movements of its collections over the time period after a customer is unable to pay their debts in the usual process, but data simplifications are made by relying on data losses due to difficulties in implementing decision tree methods to the panel data type. In this study, innovative methods are proposed by showing the shortcomings of the approaches made in LGD models.
Benzer Tezler
- Simulation of credit risk and modeling PD/LGD linkage
Kredi risk simulasyonu ve temerrüt oranı / temerrüt halinde kayıp oranının ilişkilendirilmesi
EKREM KILIÇ
- Basel II kapsamında temerrüt tutarı tahmin modelleri
Exposure at default models compatible with Basel II rules
MUSTAFA ÇELİK
Yüksek Lisans
Türkçe
2016
BankacılıkMarmara ÜniversitesiBankacılık Ana Bilim Dalı
DOÇ. DR. MURAT AKBALIK
- Makine öğrenmesi yöntemlerinin temerrüt oranı içsel derecelendirme modellerinde uygulanması
Application of machine learning algorithms in internal rate based probability of default models
ARDA AKI
Yüksek Lisans
Türkçe
2022
Bankacılıkİstanbul ÜniversitesiPara Sermaye Piyasaları ve Finansal Kurumlar Ana Bilim Dalı
PROF. DR. ERDİNÇ ALTAY
- Basel ıı sürecinde Kobi'lerin kredi risklerinin ölçülmesi
Measuring credit risks of Smes in the process of basel II
BAŞAK KIRMIZITAŞ
Yüksek Lisans
Türkçe
2007
İşletmeHacettepe Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. MEHMET BAHA KARAN
- Sigortacılıkta sermaye yeterliliği'nin Türk sigorta şirketlerinin AB'ye uyumu açısından incelenmesi
Inguiring of capital adequacy insurance sector in firms of compolibity of Turkish insurance firms to EU
CEM KARTAL
