Makine öğrenmesi yöntemlerinin temerrüt oranı içsel derecelendirme modellerinde uygulanması
Application of machine learning algorithms in internal rate based probability of default models
- Tez No: 726645
- Danışmanlar: PROF. DR. ERDİNÇ ALTAY
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, İşletme, Banking, Business Administration
- Anahtar Kelimeler: Kredi Riski, BASEL Yönergeleri, Makine Öğrenmesi, İçsel Derecelendirme Modelleri, Credit Risk, BASEL, Machine Learning, Internal Rating Based Approach
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Para Sermaye Piyasaları ve Finansal Kurumlar Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGE YÜCEL KASAP
- Ağaç temelli makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using tree based machine learning methods
SAFA BOZKURT COŞKUN
Yüksek Lisans
Türkçe
2023
İstatistikİstanbul Ticaret Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MÜNEVVER TURANLI
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT ÖZDEMİR
- 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
- Makine öğrenmesi yöntemlerinin polisomnografik verilere uygulanması
Application of machine learning methods to polysomnography datas
GÜVEN ÇENTİK
Doktora
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İLHAN UMUT