Geri Dön

Makine öğrenmesi yöntemlerinin temerrüt oranı içsel derecelendirme modellerinde uygulanması

Application of machine learning algorithms in internal rate based probability of default models

  1. Tez No: 726645
  2. Yazar: ARDA AKI
  3. Danışmanlar: PROF. DR. ERDİNÇ ALTAY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bankacılık, İşletme, Banking, Business Administration
  6. Anahtar Kelimeler: Kredi Riski, BASEL Yönergeleri, Makine Öğrenmesi, İçsel Derecelendirme Modelleri, Credit Risk, BASEL, Machine Learning, Internal Rating Based Approach
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Para Sermaye Piyasaları ve Finansal Kurumlar Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 136

Özet

Ekonomik kriz dönemlerinde finansal sistemin çökmesi tarihte de örnekleri görüldüğü üzere küresel çapta uzun süren ve ağır etkiler bırakmaktadır. Finansal sistemin en önemli unsurlarından biri olan bankaların da olası bir kötüleşen makroekonomik ortamda her zaman hazır durumda olmaları finansal sistemin devamlılığı açısından oldukça kritik bir öneme sahiptir. Bankaların ekonomik kriz zamanlarını finansal sistemin geneline etki etmeden atlatabilmeleri adına sahip oldukları sermaye miktarları ve yapısı oldukça önemlidir. Bankaların sermaye ve diğer konularda daha güçlü ve sağlam bir hale getirebilmek adına uygulamaya sokulan Basel kuralları, bankalara ne kadar miktarda ve oranda sermaye ayırmaları gereklilikleri gibi çeşitli gereksinimler getirmektedir. Bankalar için Basel kuralları ile gelen yeniliklerden biri ise, bankaların risk ağırlıklı varlıklar gibi hesaplamaları yapmakta kullandıkları parametreleri kendi içsel modelleri ile hesaplama özgürlüğü getirmeleridir. Bankaların bu bağlamda kendi içsel modelleri ile hesaplayabileceği parametreler başlıca Temerrüt Oranı, Temerrüt Halinde Kayıp ve Temerrüte Maruz Değer olarak öne çıkmaktadır. Bu modeller geçmişe dayalı veri ile kurulan istatiksel modellerdir. Çalışmada İçsel Derecelendirme Modelleri ile hesaplanabilen Temerrüt Oranı parametresinin çeşitli makine öğrenmesi algoritmaları ile modellenmesi yapılmış olup sonuçları mevcut uygulama olan Lojistik Regresyon modeli ile de nicel ve niteliksel olarak karşılaştırılmıştır.

Özet (Çeviri)

Economic turmoil that affects the financial system, results with severe and long-termed effects globally as it can also be seen in the past. As one of the most important elements in the financial system, banks always need to be prepared for the worsening macro-economic conditions to maintain financial stability and prevent a too big to fail event. Capital structure and the capital amount that banks need to have, play crucial roles to prepare them for such events. In the early 1980s, the Basel rules are set by the Basel Committee which is gathered by Bank of International Settlement (BIS) to maintain a strong capital structure for the banks. As a consequence of the Basel 2, banks have the opportunity to calculate the risk parameters such as Probability of Default (PD), Loss Given Default (LGD), and Exposure at Default (EAD) internally to calculate their Risk-Weighted Assets which will be further used to determine the amount of capital that they need to set aside according to the Capital Adequacy Ratio which is one of the Basel requirements. These parameters are calculated via internal models of the banks (IRB Models) by using predictive modeling. In this study, different machine learning models have been developed and then further assessed both quantitatively and qualitatively with respect to their output performance and their eligibility to be used as IRB PD model respectively, and then further challenged against the current practice which is Logistic Regression.

Benzer Tezler

  1. The application of machine learning algorithms for credit default prediction within the European regulatory framework

    Avrupa düzenleyici çerçevesi kapsamında kredi temerrüt tahmini için makine öğrenmesi algoritmalarının uygulanması

    PINAR MELİS EREN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGE YÜCEL KASAP

  2. Ağaç temelli makine öğrenmesi yöntemleri ile kredi risk analizi

    Credit risk analysis using tree based machine learning methods

    SAFA BOZKURT COŞKUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İstatistikİstanbul Ticaret Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MÜNEVVER TURANLI

  3. Büyük veride çizge teorisiyle temerrüt tahmini ve makine öğrenmesi modellerinin yorumlanması

    Default prediction with graph theory in big data and interpretation of machine learning models

    MUSTAFA YILDIRIM

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SUAT ÖZDEMİR

  4. Tüketici kredi risklerinin, meta-sezgisel yaklaşımlar ileiyileştirilmiş rastgele ormanlar yöntemi aracılığıyla değerlendirilmesi

    Assessment of consumer credit risk via random forests method improved with a combined meta-heuristic approach

    HAZAR ALTINBAŞ

    Doktora

    Türkçe

    Türkçe

    2019

    İşletmeDokuz Eylül Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. GÖKTUĞ CENK AKKAYA

  5. Makine öğrenmesi yöntemlerinin polisomnografik verilere uygulanması

    Application of machine learning methods to polysomnography datas

    GÜVEN ÇENTİK

    Doktora

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İLHAN UMUT