Classifier performances for credit risk analysis
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye
Tezin Onay Tarihi: 2011
Tezin Dili: İngilizce
Öğrenci: ERKAN ÇETİNER
Danışman: SADIK FİKRET GÜRGEN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kredi Risk Analizi (KRA) finansal alanda faaliyet gösteren kuruluşlar için önemli ve bir o kadar da zor bir veri madenciliği problemidir. Global kredi hacminin önemli ölçüde büyümesi ve bu büyümenin yanında ekonomik dalgalanmaların yaşanması, bu problemi daha önemli ve güncel bir noktaya getirmiştir. KRA potansiyel riskleri değerlendirir ve gelecekteki kayıpları azaltmak amacıyla yeni gelen kredi tekliflerini daha önceden belirlenmiş bir tolerans değeri ile karşılaştırarak elemine eder. Tez çalışmasında, kredi risk analizi yararına kullanılan sınıflandırma ölçütlerinin performanslarını ufak dahi olsa geliştirecek bir kombine sınıflandırma yöntemi oluşturmak amaçlanmıştır. Performans değerlerini karşılaştırmak için tutarlılık oranı, Alıcı İşletim Karakteristiği (AİK) ve hassaslık metrikleri kullanılmıştır. Tutarlılık oranında ya da optimal sonuçta önemsiz gibi gözükecek en ufak iyileştirme bile borç portföyünde kayıpları azaltacak ve değeri milyar dolarlar ile ifade edilebilecek tasarruflar sağlayacaktır. Bu tez çalışmasında üç farklı veri tabanı kullanılmıştır. Bunlar Alman Veritabanı, bir bankadan elde edilen veri tabanı ve özel bir yazılımın içinde bulunan veritabanıdır. Deneyler WEKA ve GeneXproTools yazılımları üzerinde gerçekleştirilmiştir. Destek Vektör Makinesi (DVM) sınıflandırma tekniği Alman Veritabanına uygulanmıştır. Lojistik Regresyon (LR) tekniği, GeneXproTools yazılımı üzerinde bulunan veritabanına farklı çapraz doğrulama yöntemleri eşliğinde uygulanmıştır. Son olarak DVM, LR, Sinir Ağları (NN), Basit Bayes Yaklaşımı ve Dinamik Bayes Yaklaşımı; bankadan elde edilen veritabanı üzerinde farklı örneklemeler için uygulanıp ortalama değerler alınarak performans değerleri incelenmiş ve önceki sonuçlara göre daha iyi veriler elde edildiği görülmüştür. Bu çalışmada, basit oylama modellemesi ile performans açısından iyi sonuçlar veren sınıflandırma tekniklerini bir araya getirilerek, hibrid bir sınıflandırma tekniği oluşturulmuş ve bu yeni yaklaşımın diğer sınıflandırma teknikleri ile performans açısından karşılaştırıldığında birçoğundan daha iyi sonuçlar verdiği görülmüştür.