Türk bankacılık sisteminde UFRS çerçevesinde firmaların derecelendirilmesi ve makine öğrenmesi ile model önerisi
Model proposal with rating and machine learning of companies within the framework of IFRS in the Turkish banking system
- Tez No: 765234
- Danışmanlar: PROF. DR. SERVER DEMİRCİ
- Tez Türü: Doktora
- Konular: Bankacılık, Banking
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Bankacılık ve Sigortacılık Enstitüsü
- Ana Bilim Dalı: Bankacılık Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 177
Özet
Teknolojinin gelişmesiyle birlikte bankacılık sektöründe de birçok yenilik olmaya devam etmektedir. Bu yeniliklerden biri de Basel standartlarına dayalı olarak içsel derecelendirme yaklaşımlarında kullanılan kredi derecelendirme yöntemleridir. Bankalar bir firmayı borçlandırmadan önce firmanın kredi verilebilirliğini ölçerek etkin bir kredi risk yönetimi sağlamaya çalışmaktadır. Tam bu noktada bankaların karşısına birçok yöntem çıkmakla birlikte bankalar en doğru, güvenilir ve hızlı bir yöntemi tercih ederler. Modern yöntemlerden biri olan makine öğrenmesi yöntemleri de bankacılık ve finans sektöründe hızla ivme kazanmıştır. Bu bağlamda firmaları kredilendirmeden önce firma hakkında bir fotoğrafa sahip olmak bankalara yön verme açısından önemlidir. Şüphesiz bu fotoğraf da firmalara yapılan kredi derecelendirme çalışmasıdır. Derecelendirme çalışmalarında firmanın solo ya da grup firması olması ya da firmaların mali verilerinin vergi usul kanuna (VUK) göre mi ya da uluslararası finansal raporlama standartlarına (UFRS) göre mi değerlendirildiği hususu önem arz etmektedir. Bu kapsamda çalışmada UFRS'nin kavramsal çerçevesinden de bahsedilmiştir. Çalışmada makine öğrenmesi algoritmalarından denetimli öğrenme yöntemleri ile firmaların finansal veri anlamında sadece nakit akış tablosundan faydalanılarak bir kredi derecelendirme/skorkart modeli geliştirilmeye çalışılmıştır. Aynı zamanda denetimsiz öğrenme yöntemleri ile de farklı bir derecelendirme modeli geliştirilmeye çalışılmıştır. Bu kapsamda sınıflandırma problemlerinde kullanılan Rassal Orman ve Aşırı Gradyan Yükseltme algoritmalarının firmaları başarılı ve başarısız olarak sınıflandırmada tahmin gücü en yüksek modeller olduğu görülmüştür. Algoritmaların doğruluk skorları sırası ile %82,5 ve %80 olup firmalara kredi derecelendirme notu tespit edilirken Rassal Orman algoritmasının test sonuçları tercih edilmiştir. Denetimsiz öğrenmede ise kümeleme yöntemleri olan K-Ortalamalar algoritması, Birleştirici Kümeleme algoritması ve OPTICS algoritmaları ile model oluşturulmuştur.
Özet (Çeviri)
Many innovations have occurred with the development of technology in the banking sector. One of these innovations is the credit rating methods used in internal rating approaches based on Basel standards. Banks try to provide effective credit risk management by measuring the creditworthiness of a company before lending a company. At this point, although there are many methods in front of banks, banks prefer the most accurate, reliable and fast method. Machine learning methods, which are one of the modern methods, have also gained momentum rapidly in the banking and finance sector. In this context, it is important to have a photo about the company before lending to the companies in terms of directing the banks. Undoubtedly, this photo is the credit rating study made to the companies. In the rating studies, it is important whether the company is a solo or group company or whether the financial data of the companies are evaluated according to the tax procedure law (VUK) or international financial reporting standards (IFRS). In this context, the conceptual framework of IFRS is also mentioned in the study. In the study, a credit rating / balanced scorecard model was tried to be developed by using only the cash flow statement of the companies in terms of financial data with supervised learning methods from machine learning algorithms. At the same time, a different grading model was tried to be developed with unsupervised learning methods. In this context, it was seen that the Random Forest and eXtreme Gradient Boosting algorithms used in classification problems were the models with the highest predictive power in classifying companies as successful and unsuccessful. The accuracy scores of the algorithms were 82.5% and 80%, respectively, and the test results of the Random Forest algorithm were preferred while determining the credit rating ratings of the companies. In unsupervised learning, models were created with clustering methods K-Means algorithm, Agglomerative Clustering algorithm and OPTICS algorithms.
Benzer Tezler
- KOBİ'ler için Türkiye finansal raporlama standartları: Bankaların görüşleri üzerine bir araştırma
Turkish financial reporting standards for SMEs: Aresearch on the opinions of the banks
ÇAĞRI KÖYLÜ
- Mozambik muhasebe sisteminin Türk muhasebe sistemi ile karşılaştırılması
Comparison of mozambican accounting system with Turkish accounting system
ABDUL ZAINAL USSENE
Yüksek Lisans
Türkçe
2021
MaliyeMarmara Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. MEHMET HANİFİ AYBOĞA
- Türk bankacılık sisteminde verimlilik
Productivity in Turkish banking system
MERT URAL
Yüksek Lisans
Türkçe
1998
BankacılıkDokuz Eylül Üniversitesiİktisat Ana Bilim Dalı
DOÇ. DR. A. İLKİN BARAY
- Türk bankacılık sisteminde birleşmelerin finansal ve ekonomik analizi ve globalleşen Türkiye açısından öneminin bir değerlendirmesi
Economic and financial analysis of the mergers within Turkish banking system with an assessment of its importance in the case of Turkish globalization
EMİNE HANDAN SÜMER
Doktora
Türkçe
1998
İşletmeMarmara ÜniversitesiBankacılık Ana Bilim Dalı
DOÇ. DR. E. ABDÜLGAFFAR AĞAOĞLU