Comparison of machine learning and standard credit risk models' performances in credit risk scoring of buy now pay later customers
Şimdi al sonra öde müşterilerinin kredi riski puanlamasında makine öğrenimi ve standart kredi riski modellerinin performanslarının karşılaştırılması
- Tez No: 810394
- Danışmanlar: DOÇ. DR. ALEV ATAK, PROF. DR. SEVGİ ÖZKAN YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Bankacılık, Bilim ve Teknoloji, Mühendislik Bilimleri, Banking, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Kredi, finansal kuruluşlar için vazgeçilmez ürünlerden biridir ve kredi riski yönetimi, 2008 finansal krizinden sonra önem kazanmıştır. Düzensiz kredi büyümesi, krizin ana nedenlerinden biri haline geldi ve kredi sektöründe daha fazla düzenlemeye yol açtı. Mevzuatın getirdiği yükümlülükler ile birlikte bankaların öncelikleri nitelikli müşteri bularak kredi portföylerindeki riski azaltmaya kaymış ve kredi riski tahmini onlar için gerekli hale gelmiştir. Ayrıca son dönemde e-ticaretin küreselleşmesi ve yeni finansal ürünlerin ortaya çıkması finansal teknoloji şirketlerinin kredi riski tahmini yapmasını sağlamış ve kredi riski yönetimi sadece bankaların ilgi alanı olmaktan çıkmıştır. Yeni finansal ürünlerin geleneksel kredi ürünlerinden farklılaşması ve yaygınlaşması, farklı kredi kullanıcı davranışlarının gözlemlenmesine yol açmış; bu nedenle finansal teknoloji şirketleri, müşterilerin kredi riski tahmininde bankaların standart kredi riski modellerine göre gelişmiş makine öğrenimi algoritmalarını tercih etmektedir. Bu çalışmada, Şimdi Al Sonra Öde kredi veri seti ile kullanıcıların kredi risklerini tahmin ediyor ve kredi riski tahmin sürecinde standart ve gelişmiş yapay zeka kredi riski modellerinin performanslarını karşılaştırıyoruz. Türkiye'nin önde gelen finansal teknoloji şirketlerinden biri olan Colendi ile iş birliği yaparak şirketin BNPL kredi veri setini kullandık. Logistic Regression, Probit, Random Forest ve LightGBM üzerinde karşılaştırmalı bir çalışma yapılmıştır. Çalışmada Lojistik Regresyon ve Probit standart kredi riski modelleri, Random Forest ve LightGBM ise gelişmiş kredi riski modelleridir. Model performansları hatırlama, Roc eğrisi ve karışıklık matrisi gibi performans değerlendirme metrikleri ile ölçülmüştür. Ayrıca, kredi riski tahmin sürecinde modellerin gerekli gördüğü özellikler analiz edilmekte ve değerlendirilmektedir.
Özet (Çeviri)
Credit is one of the essential products for financial institutions, and credit risk management has gained importance after the 2008 financial crisis. Unregulated credit growth became one of the main reasons behind the crisis and led to more regulation in the credit sector. With the obligations imposed by the regulations, banks' priorities have shifted to reducing the risk in their loan portfolios by finding qualified customers, and credit risk forecasting has become necessary for them. In addition, the recent globalization of e-commerce and the emergence of new financial products have provided financial technology companies to make credit risk estimations, and credit risk management is not the just concern of banks. The differentiation and diffusion of new financial products from traditional credit products have led to observing different credit user behaviors; therefore, financial technology companies have preferred advanced machine learning algorithms over banks' standard credit risk models in the customers' credit risk prediction. In this study, we estimate the credit risks of users with the Buy Now Pay Later loan data set and compare the performance of standard and advanced artificial intelligence credit risk models in the credit risk prediction process. We collaborated with Colendi, one of Turkey's leading financial technology companies, and used the company's BNPL loan dataset. A comparative study is conducted on Logistic Regression, Probit, Random Forest, and LightGBM. Logistic Regression and Probit are standard credit risk models, and Random Forest and LightGBM are advanced credit risk models in the study. Model performances were measured with performance evaluation metrics such as recall, Roc curve, and confusion matrix. In addition, the features considered necessary by the models in the credit risk estimation process are analyzed and evaluated.
Benzer Tezler
- Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA
- Comparison of machine learning algorithms on consumer credit classification
Tüketici kredilerinin sınıflandırması üzerinde makineöğrenimi algoritmalarının karşılaştırması
OĞUZ KOÇ
Yüksek Lisans
İngilizce
2019
İstatistikOrta Doğu Teknik ÜniversitesiFinansal Matematik Ana Bilim Dalı
PROF. DR. AYŞE SEVTAP KESTEL
PROF. DR. ÖMÜR UĞUR
- Yazılım projelerinde iş gücü tahmini için makine öğrenmesi yöntemlerinin karşılaştırılması
Comparison of machine learning methods for software project effort estimation
VEHBİ YURDAKURBAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TAKUHİ NADİA ERDOĞAN
- Ses iletim hızıyla akciğer hastalıklarının teşhisinde makine öğrenimi yöntemlerinin performanslarının karşılaştırılması
Comparison of the performances of machine learning methods in the diagnosis of pulmonary diseases with a voice transmission speed
HÜSEYİN CANDAN
Yüksek Lisans
Türkçe
2019
BiyoistatistikEge ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
PROF. DR. MEHMET NURULLAH ORMAN
- Makine öğrenmesi kullanımıyla ev tipi klimalarda parametre ve enerji verimliliği optimizasyonu
Optimization of parameter and energy efficiency in residential air conditioners using machine learning
EZGİ SEVGİ ÖZDEMİR
Yüksek Lisans
Türkçe
2020
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU