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
- Tez No: 895263
- Danışmanlar: DOÇ. DR. HALİS KIRAL
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Maliye, İşletme, Science and Technology, Finance, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Sosyal Bilimler Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Denetim ve Risk Yönetimi (Disiplinlerarası) Ana Bilim Dalı
- Bilim Dalı: Denetim ve Risk Yönetimi Bilim Dalı
- Sayfa Sayısı: 127
Özet
Küreselleşmenin yükselişi ile global ticaretin görünümü değişmiş ve artan ekonomik entegrasyonun bir sonucu olarak kredi piyasasının gelişimi ekonomik büyümenin itici gücü olmuştur. Son yıllarda artan küreselleşme, teknolojik gelişimler, belirsizlik ortamı ve rekabet ile şekillenen yeni dünya düzeni beraberinde kurumların maruz kaldığı riskleri daha öngörülemez hale getirmiştir. Bu nedenle, kredi riski her zamankinden daha önemli hale gelmiş; yaşanan ekonomik şok ve kırılganlıklar kredi riskinin etkin bir şekilde değerlendirilmesini kaçınılmaz bir zorunluluk haline getirmiştir. Firmaların kredi risklerini iyi yönetebilmeleri rekabet güçlerinin artmasını sağlamasının yanında ülke ekonomisinin istikrarına da destek olur. Likidite ihtiyacının ve sermayeye erişim maliyetinin arttığı bu dönemde ticari alacak kredisi piyasayı destekleyici bir enstrüman olmuştur. Bu bağlamda, çalışmanın amacı özel sektörde faaliyet gösteren bir firmanın ticari ilişki içerisinde olduğu müşterilerin verilerinden ve ekonomik göstergelerden faydalanarak; makine öğrenmesi algoritmaları ile kredi riskini tahmin eden bir model geliştirmek ve literatürdeki bu eksikliği gidermektir. Çalışma ile müşterilerden gelen yeni bir siparişe ait borcun zamanında ödenip ödenmeyeceği sorusuna cevap aranmıştır. Böylelikle, borçlunun ödeme performanslarına göre olası zararın önceden görünür hale gelmesi ile karar vericilerin daha hızlı ve doğru karar almalarına destek olunması hedeflenmiştir. Bu kapsamda, kullanılan makine öğrenmesi algoritmaları içerisinden sınıflandırma tahmin gücü ve doğruluk seviyesi en yüksek olan rastgele orman olmuştur. Modelde etkili en önemli ilk altı değişken sırasıyla müşterinin ortalama vade aşım süresi, toplam ödeme tutarı, ödeme için anlaşılan vade süresi, müşteri ile olan ticari faaliyet süresi, son siparişin üzerinden geçen gün sayısı ve dolar kurudur. Ayrıca, ekonomik verilere bağlı özniteliklerin modelde etkili olduğu görülmüştür. İlerleyen çalışmalar için ürün tipi bazında farklı kredi riski modelleri geliştirilebileceği düşünülmektedir.
Özet (Çeviri)
The changing landscape of global trade due to globalization and increasing economic integration has led to the credit market becoming a key driver of economic growth. The evolving new world order, characterized by globalization, technological advancements, uncertainty, and heightened competition, has made institutional risks more unpredictable. Consequently, the assessment of credit risk has become more crucial than ever. Effective credit risk management not only enhances companies' competitiveness but also bolsters the stability of the national economy. In the current environment of heightened liquidity needs and increased cost of capital access, trade credit has emerged as a crucial market support mechanism. Therefore, this study aims to utilize customer data and economic indicators, in conjunction with a privately operating company's commercial connections, to create a model that can predict credit risk using machine learning algorithms. The primary objective is to address a gap in the existing literature and provide decision-makers with a tool to assess whether the debt associated with a new customer's order will be paid on time. This approach aims to proactively identify potential losses based on debtors' payment performance and facilitate swift decision-making. Random forest demonstrated the highest classification predictive power and accuracy level among the machine learning algorithms employed. The first six major variables in the model include the average customer overdue period, total payment amount, agreed term for payment, commercial activity period with the customer, the number of days since the last order, and the dollar exchange rate, in that order of importance. Furthermore, it was observed that variables associated with economic data are effective in the model. Further research can focus on developing various credit risk models tailored to specific product types.
Benzer Tezler
- Deep learning-based behavior analysis of seafarers
Derin öğrenme tabanlı gemi adamlarının davranış analizi
VEYSEL GÖKÇEK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ KOÇAK
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Kıyı yapısı inşaatları için iş güvenliği risk yönetim sistemi
Occupational safety risk management system for coastal structure construction
DİNÇER İNANÇ YILMAZ
Doktora
Türkçe
2024
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ ARTAN
- Endüstri yapıları sektöründe faaliyet gösteren küçük ve orta boy inşaat firmalarında kriz deneyimlerinin örgütsel dirençliliğe etkileri
Effects of crisis experiences on organizational resilience of small and medium size construction companies in the industrial building sector
TANSU KÖKÇÜ
Yüksek Lisans
Türkçe
2020
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. EMRAH ACAR
- Alacak riskinin yönetilmesinde kredi sigortası ve Türkiye'deki uygulama
Credit insurance in receivables risk management and its application in Turkey
TUBA BAŞAK ÖZCAN
- Lighting energy management for office buildings and a case study
Ofis binaları için aydınlatma enerjisi yönetimi ve bir örnek çalışma
YEŞİM ÇELİKKOL
Yüksek Lisans
İngilizce
2012
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ALPİN KÖKNEL YENER