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
- Tez No: 905193
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGE YÜCEL KASAP
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Bu makale, Avrupa düzenleyici çerçevesi bağlamında kredi temerrütlerini tahmin etmek için makine öğrenimi algoritmalarının uygulanmasını sunmaktadır. Teorik olarak bankacılık sektöründe makine öğreniminin ortaya çıkışı, klasik istatistiksel yöntemlerden farkı ve bankaların Avrupa yasal düzenleyici çerçevesi ile ilgili olarak bu tür algoritmaları uygularken karşılaştıkları zorluklar öne çıkarılmaktadır. Ayrıca, bu çalışma Lojistik Regresyon, Karar Ağacı, Gradyan Artırma, K-En Yakın Komşular, Destek Vektör Makineleri, Sinir Ağı, Transformer ve Lojistik Regresyon ve Destek Vektör Makineleri 'nin bir kombinasyonu olan Yığın Model'in uygunluğunu değerlendirmeyi amaçlamaktadır. Bunu kolaylaştırmak için Güney Almanya Kredi veri seti kullanılmıştır. İlk olarak, veri setindeki tüm değişkenler algoritmaların değişken seçimi için kullanılabilir hale getirilmiştir. İkinci aşamada ise, GDPR'de tanımlannan ayrımcı değişkenler hariç tutularak, düzenleyici beklentilerinin risk modellemesi üzerindeki etkisi değerlendirilmiştir. Tüm değişkenleri içeren sonuçlar, Karar Ağacı için 0,74 ile Destek Vektör Makineleri için 0,79 arasında değişen bir doğruluk göstermektedir. Ayrımcı değişkenler hariç tutulduğunda, model uyumu daha zayıftır. Ayrımcılığı ortadan kaldırmak gibi yasal düzenleyici gereklilikleri sonucu model uyumunun bozulması, bankaların temerrütleri daha az doğrulukla tahmin etmesine ve bu da finansal istikrarda marjinal bir düşüşe yol açabilir. Temel makine öğrenimi yöntemlerinin önemli model uyumu, bu tür algoritmaların temerrüt tahmini için genel bir uygunluğuna işaret ederken, süreçlerdeki şeffaflık ve entegrasyon zorlukları, bireysel kredi riski faktörlerinin izlenebilirliği ve düzenleyici gereklilikler daha fazla araştırma yapılmasını gerektirmektedir.
Özet (Çeviri)
This work presents the application of machine learning algorithms to predict credit defaults in the context of the European regulatory framework. It highlights on a theoretical basis the advent of machine learning in the banking sector, the difference to classical statistical methods and the challenges banks face regarding to the European regulatory framework when applying such algorithms. Furthermore, this work aims to assess the eligibility of Logistic Regression, Decision Tree, Gradient Boosting, K-nearest Neighbors, Support Vector Machine, Neural Network, Transformer Model and a Stacked Model, which is a combination of Logistic Regression and Support Vector Machine. To facilitate this, the South German Credit dataset is used. Initially, all attributes in the dataset are made available for the feature selection of the algorithms. In a second run, discriminatory variables as defined in the GDPR are excluded to assess the impact of regulatory expectations on risk modelling. The results including all attributes show an accuracy ranging from 0.74 for Decision Tree to 0.79 for the Support Vector Machine. When excluding the discriminatory attributes, the model fit is slightly inferior. The deterioration of a model fit due to regulatory requirements such as non-discrimination might lead to a marginal decrease of financial stability, because banks might predict defaults with less accuracy. Even though the substantial model fit of basic machine learning methods indicates a general eligibility of such algorithms in default prediction, the challenge of intransparency and integration in processes requires further research with respect to traceability of single credit risk factors and to the regulatory requirements.
Benzer Tezler
- Makine öğrenmesi yöntemleri ile kredi risk analizi
Credit risk analysis using machine learning algorithms
SACİDE KALAYCI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Reassessment and monitoring of loan applications with machine learning
Yapay öğrenme ile kredi başvurularının yeniden değerlendirilmesi ve takibi
ZEYNEP BOZ
Yüksek Lisans
İngilizce
2017
Endüstri ve Endüstri MühendisliğiSabancı ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEVKET İLKER BİRBİL
YRD. DOÇ. DR. DİLEK GÜNNEÇ DANIŞ
- Tüketici kredisi taleplerinin yapay öğrenme modelleriyle değerlendirilmesi
Evaluation of consumer credit requests via machine learning models
NECATİ ALPEREN
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA KAYA
- 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
- 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