Makine öğrenmesi algoritmaları ile kredi temerrüt riskini tahmin etme
Predicting default probability in credit risk with machine learning algorithms
- Tez No: 746136
- Danışmanlar: PROF. DR. SEVDA GÜRSAKAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ekonometri, İstatistik, Computer Engineering and Computer Science and Control, Econometrics, Statistics
- Anahtar Kelimeler: Kredi Riski, Makine Öğrenmesi, Gradyan Artırma, Yapay Sinir Ağları, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Destek Vektör Makineleri, K-En Yakın Komşu, Credit Risk, Machine Learning, Gradient Boosting, Neural Network, Logistic Regression, Random Forest, Decision Tree, Support Vector Machine, K-Nearest Neighbor
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 101
Özet
Bankalar ve çeşitli finans kuruluşları tarafından karşılanan kredilerin, müşteri tarafından geri ödenememesi hem kredi veren kuruluşun sermaye kaybını hem de genel ekonomide oluşabilecek çeşitli risk faktörlerini beraberinde getirmektedir. Bu süreçte, oldukça kritik öneme sahip olan kredi riskinin doğru yönetilebilmesi ve uluslararası finans istikrarının sağlanması için Basel Komitesi ve BDDK (Bankacılık Düzenleme ve Denetleme Kurumu) gibi finans denetimi kuruluşları, kredi veren kurumların kredi verme karar aşamasında çeşitli regülasyon politikaları belirlemektedir. Ayrıca, kredi veren kurumlar analitik risk birimleri aracılığıyla kredi değerlendirme modelleri geliştirerek, müşterilere ait kredi risk skorunu hesaplamaktadır. Bu araştırmada, makine öğrenmesi yöntemiyle kredi skorlama sistemlerinde kullanılabilecek en başarılı tahmini gerçekleştiren algoritmanın belirlenmesi amaçlanmıştır. Bu kapsamda, Gradyan Artırma, Yapay Sinir Ağları, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Destek Vektör Makineleri, K-En Yakın Komşu ve WOE dönüşümleriyle Lojistik Regresyon algoritmaları için modeller kurulmuş ve temerrüde düşen ve temerrüde düşmeyen müşteriler için en iyi sınıflandırma performansı gösteren Gradyan Artırma algoritması olmuştur. Analitik veri kalitesi ve model geliştirme süreçlerinde SAS Enterprise Guide ve SAS Enterprise Miner yazılım programları kullanılmıştır.
Özet (Çeviri)
Failure to repay the loans provided by banks and various financial foundations by the customer, entails both the capital loss of the lending institution and various risk factors that may occur in the general economy. In this context, financial control institutions such as the Basel Committee and BRSA (Turkish Banking Regulatory and Supervision Agency) have determined various regulatory policies during the phase of lending decision of the lending institutions in order to ensure the appropriate management of loan risk, which have critical importance, and to ensure international financial stability. In addition, lending institutions develop credit evaluation models via analytical risk units and calculate the credit risk score of customers. In this study, it is aimed to determine the algorithm that makes the most successful estimation that can be used in credit scoring systems with the machine learning method. Within this scope, models for algorithms with Gradient Boosting, Artificial Neural Networks, Logistic Regression, Random Forest, Decision Tree, Support Vector Machines, K-Nearest Neighbor and WOE transformations Logistic Regression were established and Gradient Boosting algorithm has shown the best classification performance for defaulters and non-defaulters. In analytical data quality and model development processes, SAS Enterprise Guide and SAS Enterprise Miner software programs were used.
Benzer Tezler
- Predicting credit default risk using machine learning algorithm
Makine öğrenmesi algoritmasını kullanarak kredi temerrüt riskini tahmin etme
MEHMET TELİMEN
Yüksek Lisans
İngilizce
2019
Bankacılıkİstanbul Bilgi ÜniversitesiBankacılık ve Finans Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ SOYBİLGEN
- 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
- 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
- Ticari alacak riski yönetimi ve makine öğrenmesi algoritmaları ile modelleme: Bir model önerisi
Credit risk management and modelling with machine learning algorithms: A model suggestion
SÜMEYYE KAYA
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiAnkara Sosyal Bilimler ÜniversitesiDenetim ve Risk Yönetimi (Disiplinlerarası) Ana Bilim Dalı
DOÇ. DR. HALİS KIRAL
- Deep learning-based and cost-aware fraud detection system using multi-modal profiling approach to detect fraud attempts in airline ticket sales
Havayolu bilet satış işlemleri için derin öğrenme tabanlı maliyet bilinçli ve çok modlu profilleme yaklaşımını benimseyen sahtekarlık tespit sistemi
MEHMED TAHA ARAS
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET AMAÇ GÜVENSAN