Yapay Sinir Ağları İle Kredi Skorlama

Abstract

Kredi riski geçmiş dönem ve günümüzde finans sektörünün karşılaştığı en önemli risklerden biri olmuştur. Kredi riskinin makul seviyelerde tutulamamasından dolayı firma, ülkesel ve küresel bazda krizler gerçekleşmiştir. Finans sektörünün en büyük kuruluşları olan bankalar açısından kredi riskinin yönetilmesi önem kazanmıştır. Bankalar açısından kredi riskinin iyi yönetilmesi müşterilerin temerrüde düşme olasılığını tespit etmeyi ve müşterileri temerrüt düşme olasılıklarına göre sınıflandırmayı gerektirmektedir. Bankalar tarafından yapılan bu sınıflandırma çeşitli yöntemlerle elde edilen skorkartlar vasıtasıyla sağlanmaktadır. Skorkart kavramı finansal kuruluşlar tarafından birçok uygulamada kullanılmaktadır. Yeni müşterilerim kabul edilmesinde, mevut müşterilerin davranışlarının belirlenmesinde, tahsilat skorlarının belirlenmesinde, müşteri skoru hesaplanmasında skorkartlar kullanılmaktadır. Çalışmada, literatürde mevcut kredi skorlama modelleri açıklanmış ve ticari bir bankaya ait veriseti üzerinden skorkartlar oluşturulmaya çalışılmıştır. Veriseti 2008 yılına ait tüketici kredisi başvurusu yapmış müşterilerin bilgilerini içermektedir. Literatürde farklı yöntemler kullanılarak çeşitli skorkartlar üretilmiştir. Bu çalışmada, skorkartların modellenmesi amacıyla lojistik regreyon yöntemi ve yapay sinir ağları yöntemi kullanılmıştır. Öncelikle, literatürde kabul görmüş olan lojistik regresyon yöntemiyle skorkart elde edilmiştir. Çok katmanlı algılayıcı yapay sinir ağı yapısı formülleştirme ve deneme -yanılma yöntemi ile girdi-ara-çıktı katmanı, momentum katsayısı ve öğrenme katsayısı ve iki adet çok katmanlı yapay sinir ağı elde edilmiştir. Skorkartlardan elde edilen değerler birinci tip hata ve ikinci tip hata değeri üzerinden karşılaştırılmıştır. Birinci tip hata (yani iyi kredilerin kötü kredi olarak belirtilmesi) tespitinde, lojistik regresyon modelinin daha iyi bir performans gösterdiği görülmüştür. Bankalar ve finans kuruluşları açısından daha maliyetli olan 2.tip hatanın (yani kötü kredilerin iyi kredi olarak belirtilmesi) tespitinde, yapay sinir ağları daha başarılı olmuştur. Toplam hata yüzdesinde yapay sinir ağları daha düşük hatayla kredi skorlama modeli oluşturmuştur. Elde edilen yapay sinir ağı yapılarının performansını arttırabilmek amacıyla, öğrenme ve sınama veriseti çeşitli oranlarda değiştirilerek ağ yapısının performansı birinci ve ikinci tip hata cinsinden ve alıcı çalıştırma karakteristiği (ROC) değerleri üzerinden karşılaştırılmıştır. Sonuç olarak, yapay sinir ağlarının yapılarındaki farklılıklar itibarıyla öğrenme-sınama veriseti yüzdeleri değiştirilerek performanslarının iyileştirilebildiği görülmüştür.

Credit risk has been one of the most important risks that financial sector ever encounters. Because it could not be capped in resonable exposure, domestic and international financial crisis occured. Management of this risk becomes really important for banks that are largest institutions in financial sector. The management of the credit risk for banks involves investigation about default risks and classification of the customers according to the risk that has been investigated. This type of classification has been made by the score cards that have been calculated by various methods. In this thesis, credit scoring methods in the literature are explained and scorecards are calculated according to the dataset of a commercial bank. Dataset includes information about the consumers who applied for a loan in 2008. Firstly, scorecards were calculated according to the logistic regression model. Then, multi-layer perceptron artificial network system formulation, input interval outcome layer with trial and error approach, momentum coefficient, learning coefficient and two multi,layer perceptron artificial network system were acquired. Values that are acquired from score cardswere compared with Type one and Type two error values. In the evaluation of Type one error, which means admitting good credits as bad, logistic regression model performs superior than other models. In the evaluation of Type two error, which means admitting bad credits as good, artificial network system showed superior performance. Artificial network system formed credit scoring model with lower error in the total error percentage. To increase the performance of artificial network systems, learning and trial datasets were replaced with various proportions and values obtained from Type one, Type two error and Receiver Operating Characteristic (ROC) were compared. As a result, by changing learning and trial datasets, performance of the artificial nerve system was increased.