Geri Dön

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

  1. Tez No: 895263
  2. Yazar: SÜMEYYE KAYA
  3. Danışmanlar: DOÇ. DR. HALİS KIRAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Maliye, İşletme, Science and Technology, Finance, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ankara Sosyal Bilimler Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Denetim ve Risk Yönetimi (Disiplinlerarası) Ana Bilim Dalı
  12. Bilim Dalı: Denetim ve Risk Yönetimi Bilim Dalı
  13. 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

  1. Deep learning-based behavior analysis of seafarers

    Derin öğrenme tabanlı gemi adamlarının davranış analizi

    VEYSEL GÖKÇEK

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GAZİ KOÇAK

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

  2. Kıyı yapısı inşaatları için iş güvenliği risk yönetim sistemi

    Occupational safety risk management system for coastal structure construction

    DİNÇER İNANÇ YILMAZ

    Doktora

    Türkçe

    Türkçe

    2024

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DENİZ ARTAN

  3. 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

    Türkçe

    2020

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. EMRAH ACAR

  4. Alacak riskinin yönetilmesinde kredi sigortası ve Türkiye'deki uygulama

    Credit insurance in receivables risk management and its application in Turkey

    TUBA BAŞAK ÖZCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Sigortacılıkİstanbul Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. ERDİNÇ ALTAY

  5. 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

    İngilizce

    2012

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. ALPİN KÖKNEL YENER