Kredi geri ödemelerinde risk değerlendirmesinin derin öğrenme algoritmaları ile tahmini
Prediction of credit repayment risk assessment using deep learning algorithms
- Tez No: 952284
- Danışmanlar: DOÇ. DR. MEHMET ONUR OLGUN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bankalar açısından kredi tahsis kararları oldukça önemlidir. Doğru kişiye doğru kredinin verilmesi hem ekonomik istikrara katkı sağlar hem de bankaların aktif kalitesini doğrudan etkiler. Kredi tahsisi öncesinde, kredi geri ödemelerinin zamanında yapılmaması bankaları zor durumda bırakmakta ve geciken her kredi için fazladan karşılık ayrılmasını gerektirmektedir. Bu ayrılan karşılıklar bankalar tarafından kullanılamadığı gibi, herhangi bir faiz getirisi de sağlamamaktadır. Bankalar, olası gecikmeleri ve takibe düşen kredileri önlemek amacıyla geçmişten günümüze çeşitli çalışmalar yaparak en doğru kredi tahsis kararını almaya çalışmaktadır. Günümüzde kullanılan skorlama modelleri ve skor kartlar müşteri profili hakkında önemli bilgiler sunsa da çoğu zaman yetersiz kalmaktadır. Teknolojinin hızla gelişmesiyle birlikte yeni analiz teknikleri ortaya çıkmaktadır. Makine öğrenmesi ve derin öğrenme algoritmalarına dayalı tahmin modelleri de bu teknikler arasında yer almaktadır. Bu çalışmada, banka müşterilerine ait hazır veri setleri kullanılarak Rastgele Orman, Lojistik Regresyon, En Yakın Komşu, Naive Bayes ve Destek Vektör Makineleri gibi farklı modeller üzerinde analiz yapılmıştır. Çalışma kapsamında WEKA yazılımı kullanılmış ve elde edilen sonuçlar karşılaştırılmıştır. Sonuçlara göre en iyi performans gösteren model %92,68 doğruluk oranı ve 0,8331 kappa istatistiği ile Rastgele Orman olmuştur. En başarısız model ise Lojistik Regresyon olarak belirlenmiştir. Rastgele Orman modeli, tahminleme konusunda oldukça başarılı bir performans sergilemiştir. Çalışmanın sonraki aşamasında, değişkenlerin kredi gecikmesine etkisi WEKA'daki korelasyon algoritması kullanılarak analiz edilmiştir. Bu süreçte, değişkenlerin önemlilik puanları tek tek hesaplanmış ve gecikmeye en fazla etki eden faktörler sırasıyla; kefil varlığı, bakmakla yükümlü kişi sayısı, eğitim seviyesi ve medeni durum olarak belirlenmiştir.
Özet (Çeviri)
Credit allocation decisions are highly significant for banks. Providing the right credit to the right person contributes to economic stability and directly affects the asset quality of banks. Before the credit allocation process, delays in credit repayments put banks in a difficult situation, requiring additional provisions for each overdue credit. These provisions cannot be utilized by banks and do not generate any interest income. To prevent potential delays and credits falling into default, banks have continuously conducted various studies from past to present to make the most accurate credit allocation decisions. Although the scoring models and scorecards currently in use provide essential information about customer profiles, they are often insufficient. With the rapid advancement of technology, new analytical techniques have emerged. Prediction models based on machine learning and deep learning algorithms are among these techniques. In this study, pre-existing datasets of bank customers were analyzed using different models, including Random Forest, Logistic Regression, k-Nearest Neighbors, Naive Bayes, and Support Vector Machines. The WEKA software was utilized in this study, and the obtained results were compared. According to the results, the best-performing model was Random Forest, with an accuracy rate of 92.68% and a kappa statistic of 0.8331. The worst-performing model was identified as Logistic Regression. The Random Forest model demonstrated a highly successful performance in prediction. In the next phase of the study, the impact of variables on credit delinquency was analyzed using the correlation algorithm in WEKA. In this process, the importance scores of variables were calculated individually, and the most influential factors on delinquency were determined in order as the presence of a guarantor, the number of dependents, education level, and marital status.
Benzer Tezler
- Bankalarda kredi tahsislerinde kullanılan mali analiz yöntemleri ve Türk Eximbank uygulaması
Financial analysis methods used in credit assignments in banks and Turk Eximbank application
AYCAN ANLI
- Kredi verme sürecinde mali analiz tekniklerinin kullanılması ve önemi
Usage and importance of financial analysis techniques during giving a loan
CANTEKİN BÜLBÜL
- Bankacılık sisteminde ticari kredi taleplerinin değerlendirilerek limit tahsisi ve bir uygulama
By evaluating the commercial loan request in the banking system: Limit allocation and a sample application
OĞUZ BAKİ YIĞMAN
Yüksek Lisans
Türkçe
2018
Bankacılıkİstanbul Arel ÜniversitesiMuhasebe ve Finansman Ana Bilim Dalı
PROF. DR. FATMA PAMUKÇU
- The effects of underwriting and reserving techniques in insurance of ship financing
Gemi finansman sigortasında aktüerya ve karşılık ayırma tekniklerinin sigorta prim hesaplamasına etkisi
TANSEL ERKMEN
Doktora
İngilizce
2017
DenizcilikPiri Reis ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN ASLANOĞLU