A modular approach for SMEs credit risk analysis
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2009
Tezin Dili: İngilizce
Öğrenci: GÜLNUR DERELİOĞLU
Danışman: SADIK FİKRET GÜRGEN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kredi risk analizi, finansal alanda ilgi duyulan problemlerden biridir ve müsteriyekredi verildiğinde olusacak riski tahmin etmeyi hedefler. Risk tahmini hem müsteridavranısına, hem de ekonomik duruma bağlıdır. Buradaki zorluk, kredi uzmanlarınınmüsterilerden hangi verileri toplaması gerektiği, hangi kosullarda müsterilerin iyi olaraksınıflandırıldığı ve müsteriye kredi verildiğinde ne kadar risk alındığının tahminedilmesidir. Bu nedenle, kredi uzmanları ilgili kararları verirken müsteri tipine özel riskanaliz modüllerine ihtiyaç duyarlar.Bu tezde, gerçek Küçük ve Orta Boylu ?sletmeler (KOBI) için, kademeli çok tabakalıyapay sinir ağı-sinirsel kural çıkarıcı ve lojistik regresyon modeli sunuyoruz. Önhazırlıkasamasında, KOBI veritabanının öznitelikleri; karar ağacı, özyinelemeli öznitelik çıkarıcı,faktör analizi ve temel bilesen analizi ile seçiliyor. En iyi öznitelik kümesi özyinelemeliöznitelik çıkarıcı ile elde ediliyor. Ilk modülde, sınıflama metodu çok tabakalı yapay sinirağı, k-yakin komsu ve destek vektör makinesi arasından seçilmistir. Optimal sınıflayıcıolarak çok tabakalı yapay sinir ağı elde edilmis ve takip eden modüller bunun üzerinekurulmustur. Ikinci modülde, sınıflandırma amacıyla çok tabakalı yapay sinir ağını sinirselkural çıkarıcı takip etmektedir. Sinirsel Kural Çıkarıcı, müsteriler için ?iyi? kararının nasılverildiğini ortaya çıkarır. Temerrüt olasılığının tahmin edilmesi için, üçüncü modülde,lojistik regresyon tarafından takip edilen kademeli çok tabakalı yapay sinir ağı modeliniöneriyoruz. Son modülde, skor kartı elde etmek için, çok tabakalı yapay sinir ağı-lojistikregresyon modeli kümeleme metodu tarafından takip edilmistir. Deneylerde, özel TürkKOBI veritabanı kullanılmıstır. Kademeli çok katmanlı yapay sinir ağı-lojistik regresyonmodeli yüksek doğruluk oranı sağlamaktadır ve genel olarak kullanılan klasik lojistikregresyondan daha üstündür.