Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması

Yıl 2012, Cilt: 3 Sayı: 9, 23 - 30, 01.09.2012

Hüseyin Budak Semra Erpolat

https://doi.org/10.5824/1309-1581.2012.4.002.x

Öz

Kredi değerlendirme, finansal sistemdeki sınırlı kaynakların daha verimli kullanılabilmesi açısından, bankalar için oldukça önemli bir konudur. Bankalar, kredi değerlendirmesinde bir çok yöntem kullanmaktadır. Bu yöntemlerden bir tanesi de, kredi talep eden müşterinin kredisini düzenli ödeyip ödemeyeceğinin tahmin edilmesidir. Bu çalışmada, bankaların kredi risklerini öngörmelerine yardımcı olması amacıyla, kredi talep eden müşterilerin ödeme alışkanlıklarının düzenli olup olmayacağının tahmin edilmesi için yapay sinir ağları ve lojistik regresyon analizi kullanılmıştır. Çalışma sonucunda, yapay sinir ağı yönteminin müşterilerin ödeme alışkanlıklarının düzenli olup olmayacağını tahmin etme gücü lojistik regresyon modelinden daha üstün olduğu tespit edilmiştir.

Anahtar Kelimeler

Yapay Sinir Ağları, Lojistik Regresyon, Kredi Riski Tahmini

Comparison of Artificial Neural Networks and Logistic Regression Analysis in the Credit Risk Prediction

Öz

Credit scoring is a vital topic for Banks since there is a need to use limited financial sources more effectively. There are several credit scoring methods that are used by Banks. One of them is to estimate whether a credit demanding customer’s repayment order will be regular or not. In this study, artificial neural networks and logistic regression analysis have been used to provide a support to the Banks’ credit risk prediction and to estimate whether a credit demanding customers’ repayment order will be regular or not. The results of the study showed that artificial neural networks method is more reliable than logistic regression analysis while estimating a credit demanding customer’s repayment order.

Anahtar Kelimeler

Artificial Neural Networks, Logistic Regression, Credit Risk Prediction

Kaynakça

• Agresti, A. (1990). Analysis Of Ordinal Categorical Data, New York: John Wiley & Sons.
• Baxter, C.W. (2001). Modelling Heuristics from Literature, CIV E 729 Course Notes, Dept. of Civil and Environmental Engineering, Edmonton: University of Alberta.
• Deboeck, G. J. (1994). Trading on the Edge, New York: John Wiley & Sons.
• Elmas, Ç. (2010). Yapay Zeka Uygulamaları, Ankara: Seçkin Yayıncılık.
• Gujarati, D.N. (1999). Temel Ekonometri, (Şenesen, Ü. & Şenesen, G.G., Çev.), İstanbul: Literatür Yayıncılık. (Orijinal çalışma basım tarihi 1978)
• Güneri, N. & Apaydın, A. (2004). Öğrenci Başarılarının Sınıflandırılmasında Lojistik Regresyon Analizi ve Sinir Ağları Yaklaşımı, Gazi Üniversitesi Ticaret ve Turizm Eğitim Fakültesi Dergisi, Yıl 2004, Sayı 1, Sayfa 170‐188.
• Ion, R.‐M., Munteanu, D. & Cocina, G.‐C. (2009). Concept of artificial neural network (ANN) and its application in cerebral aneurism with multi walls carbon nanotubes (MWCNT), Proceedings of the 10th WSEAS International Conference on Neural Networks, Page 104‐107.
• Öztemel, E. (2003). Yapay Sinir Ağları, İstanbul: Papatya Yayıncılık.