Araştırma Makalesi
BibTex RIS Kaynak Göster

Finansal Kurumlarda Senaryo Bazlı Aykırı Gözlem Tespiti: Türk Faktoring Sektörü Üzerine Bir Çalışma

Yıl 2021, Cilt: 15 Sayı: 1, 83 - 113, 10.08.2021
https://doi.org/10.46520/bddkdergisi.986652

Öz

Finans sektöründe çevrimiçi ve mobil işlemlerin sayısı ve hızının artması beraberinde farklı riskleri ve denetleme maliyetlerini de getirmiştir. Bu riskler sahtecilikten kredi riskine, veri tabanı hatalarından, operasyonel problemler ve müşteri kayıplarına kadar çok farklı alanlarda gerçekleşebilir. Bu çalışmada faktoring işlemleri için senaryo bazlı aykırılık analizi bu riskleri oluşma aşamasında ve gözetimli bir istatistiksel bir model kurmadan tespit etmeyi amaçlamaktadır. Aykırılık analizi bağlamında karakteristikleri ana kümeden büyük sapma gösteren çek, müşteri ya da müşteri temsilcisi gözlemleri aykırı olarak tanımlanmaktadır. Bu karakteristikler faktoring uzmanlarının tecrübelerine dayanılarak geliştirilen senaryo kurguları içinde seçilip bir araya getirilmiştir.
Karakteristiklerin ana kümeden sapmaları Mahalanobis, Minimum Kovaryans, ve Ortogonolize Gnanadesikan- Kettenring uzaklıkları ile hesaplanmaktadır. Çalışmada kullanılan veritabanı bir faktoring şirketinin 2018-2020 arası çek faktoring işlem bilgileri ile Kredi Kayıt Bürosu Çek ve Risk raporlarını birleştirmekte ve 7 farklı senaryo kullanılarak aykırı işlemler bulunmaktadır. Kurulan modelin aykırı değer eşik seviyesinin finansal kurumun tolere edebileceği hata tespit oranları ve istihbarat bütçesi çerçevesinde nasıl ayarlanıp optimize edilebileceği de çalışmada gösterilmiştir. Geliştirilen model bankacılık, faktoring, leasing, sigortacılık alanlarındaki hemen her finansal işlemde risk taşıyan aykırı gözlemleri bulabildiği gibi finansal sektörü düzenleyici ve denetleyici kurumlar tarafından da kullanılabilir.

Kaynakça

  • 1. Alpu, Ö. (2016). Aykırı değer varlığında hızlı minimum kovaryans determinantı kestiricilerinin faktör analizinde kullanımı. Sakarya University Journal of Science, 20(3), 701-709.
  • 2. Ané, T., Ureche-Rangau, L., Gambet, J. B., & Bouverot, J. (2008). Robust outlier detection for Asia–Pacific stock index returns. Journal of International Financial Markets, Institutions and Money, 18(4), 326-343.
  • 3. Aydın, O. M., & Aktaş, R. (2020) Detecting Financial Information Manipulation By Using Supervised Machine Learning Technics: SVM, PNN, KNN, DT. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (29), 165-174.
  • 4. Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000). LOF: identifying density-based local outliers. In Proceedings of the 2000 ACM SIGMOD international conference on Management of data (pp. 93-104).
  • 5. Campello, R. J., Moulavi, D., Zimek, A., & Sander, J. (2015). Hierarchical density estimates for data clustering, visualization, and outlier detection. ACM Transactions on Knowledge Discovery from Data (TKDD), 10(1), 1-51.
  • 6. Cao, B., Mao, M., Viidu, S., & Yu, P. (2018). Collective fraud detection capturing inter-transaction dependency. In Proceedings of the KDD 2017 Workshop on Anomaly Detection in Finance (pp. 66-75).
  • 7. Chawla, S., & Gionis, A. (2013). k-means–: A unified approach to clustering and outlier detection. In Proceedings of the 2013 SIAM International Conference on Data Mining (pp. 189-197). Society for Industrial and Applied Mathematics.
  • 8. Cho, S., Hong, H., & Ha, B. C. (2010). A hybrid approach based on the combination of variable selection using decision trees and case-based reasoning using the Mahalanobis distance: For bankruptcy prediction. Expert Systems with Applications, 37(4), 3482-3488.
  • 9. Çetiner, M., Dinçsoy, Ö., & Toraman, T. (2020, October). Outlier Detection for Analysis of Real Estate Price. In 2020 28th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  • 10. Devlin, S. J., Gnanadesikan, R., & Kettenring, J. R. (1975). Robust estimation and outlier detection with correlation coefficients. Biometrika, 62(3), 531- 545.
  • 11. Devlin, S. J., Gnanadesikan, R., & Kettenring, J. R. (1981). Robust estimation of dispersion matrices and principal components. Journal of the American Statistical Association, 76(374), 354-362.
  • 12. Duan, L., Xu, L., Liu, Y., & Lee, J. (2009). Cluster-based outlier detection. Annals of Operations Research, 168(1), 151-168.
  • 13. Esen, M. F., & Timor, M. (2019). Çok Değişkenli Aykırı Değer Tespiti İçin Klasik Ve Dayanıklı Mahalanobis Uzaklık Ölçütleri: Finansal Veri İle Bir Uygulama. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (25), 267-282.
  • 14. Eskin, E., Arnold, A., Prerau, M., Portnoy, L., & Stolfo, S. (2002). A geometric framework for unsupervised anomaly detection. In Applications of data mining in computer security (pp. 77-101). Springer, Boston, MA.
  • 15. Gnanadesikan, R., & Kettenring, J. R. (1972). Robust estimates, residuals, and outlier detection with multiresponse data. Biometrics, 81-124.
  • 16. Jiang, S. Y., & An, Q. B. (2008). Clustering-based outlier detection method. In 2008 Fifth International Conference on Fuzzy Systems and Knowledge Discovery (Vol. 2, pp. 429-433). IEEE.
  • 17. Karminsky, A. M., & Khromova, E. (2018). Increase of banks’ credit risks forecasting power by the usage of the set of alternative models. Russian Journal of Economics, 4, 155.
  • 18. Knox, E. M., & Ng, R. T. (1998). Algorithms for mining distancebased outliers in large datasets. In Proceedings of the international conference on very large data bases (pp. 392-403).
  • 19. Kriegel, H. P., Schubert, M., & Zimek, A. (2008). Angle-based outlier detection in high-dimensional data. In Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 444-452).
  • 20. Mahalanobis, P. C. (1936). On the generalised distance in statistics. Proceedings of the National Institute of Sciences of India, 1936, 49-55.
  • 21. Maronna, R. A. (1976). Robust M-estimators of multivariate location and scatter. The annals of statistics, 51-67.

Scenario Based Anomaly Detection in Financial Institutions: A Study on the Turkish Factoring Sector

Yıl 2021, Cilt: 15 Sayı: 1, 83 - 113, 10.08.2021
https://doi.org/10.46520/bddkdergisi.986652

Öz

Kaynakça

  • 1. Alpu, Ö. (2016). Aykırı değer varlığında hızlı minimum kovaryans determinantı kestiricilerinin faktör analizinde kullanımı. Sakarya University Journal of Science, 20(3), 701-709.
  • 2. Ané, T., Ureche-Rangau, L., Gambet, J. B., & Bouverot, J. (2008). Robust outlier detection for Asia–Pacific stock index returns. Journal of International Financial Markets, Institutions and Money, 18(4), 326-343.
  • 3. Aydın, O. M., & Aktaş, R. (2020) Detecting Financial Information Manipulation By Using Supervised Machine Learning Technics: SVM, PNN, KNN, DT. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (29), 165-174.
  • 4. Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000). LOF: identifying density-based local outliers. In Proceedings of the 2000 ACM SIGMOD international conference on Management of data (pp. 93-104).
  • 5. Campello, R. J., Moulavi, D., Zimek, A., & Sander, J. (2015). Hierarchical density estimates for data clustering, visualization, and outlier detection. ACM Transactions on Knowledge Discovery from Data (TKDD), 10(1), 1-51.
  • 6. Cao, B., Mao, M., Viidu, S., & Yu, P. (2018). Collective fraud detection capturing inter-transaction dependency. In Proceedings of the KDD 2017 Workshop on Anomaly Detection in Finance (pp. 66-75).
  • 7. Chawla, S., & Gionis, A. (2013). k-means–: A unified approach to clustering and outlier detection. In Proceedings of the 2013 SIAM International Conference on Data Mining (pp. 189-197). Society for Industrial and Applied Mathematics.
  • 8. Cho, S., Hong, H., & Ha, B. C. (2010). A hybrid approach based on the combination of variable selection using decision trees and case-based reasoning using the Mahalanobis distance: For bankruptcy prediction. Expert Systems with Applications, 37(4), 3482-3488.
  • 9. Çetiner, M., Dinçsoy, Ö., & Toraman, T. (2020, October). Outlier Detection for Analysis of Real Estate Price. In 2020 28th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
  • 10. Devlin, S. J., Gnanadesikan, R., & Kettenring, J. R. (1975). Robust estimation and outlier detection with correlation coefficients. Biometrika, 62(3), 531- 545.
  • 11. Devlin, S. J., Gnanadesikan, R., & Kettenring, J. R. (1981). Robust estimation of dispersion matrices and principal components. Journal of the American Statistical Association, 76(374), 354-362.
  • 12. Duan, L., Xu, L., Liu, Y., & Lee, J. (2009). Cluster-based outlier detection. Annals of Operations Research, 168(1), 151-168.
  • 13. Esen, M. F., & Timor, M. (2019). Çok Değişkenli Aykırı Değer Tespiti İçin Klasik Ve Dayanıklı Mahalanobis Uzaklık Ölçütleri: Finansal Veri İle Bir Uygulama. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (25), 267-282.
  • 14. Eskin, E., Arnold, A., Prerau, M., Portnoy, L., & Stolfo, S. (2002). A geometric framework for unsupervised anomaly detection. In Applications of data mining in computer security (pp. 77-101). Springer, Boston, MA.
  • 15. Gnanadesikan, R., & Kettenring, J. R. (1972). Robust estimates, residuals, and outlier detection with multiresponse data. Biometrics, 81-124.
  • 16. Jiang, S. Y., & An, Q. B. (2008). Clustering-based outlier detection method. In 2008 Fifth International Conference on Fuzzy Systems and Knowledge Discovery (Vol. 2, pp. 429-433). IEEE.
  • 17. Karminsky, A. M., & Khromova, E. (2018). Increase of banks’ credit risks forecasting power by the usage of the set of alternative models. Russian Journal of Economics, 4, 155.
  • 18. Knox, E. M., & Ng, R. T. (1998). Algorithms for mining distancebased outliers in large datasets. In Proceedings of the international conference on very large data bases (pp. 392-403).
  • 19. Kriegel, H. P., Schubert, M., & Zimek, A. (2008). Angle-based outlier detection in high-dimensional data. In Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 444-452).
  • 20. Mahalanobis, P. C. (1936). On the generalised distance in statistics. Proceedings of the National Institute of Sciences of India, 1936, 49-55.
  • 21. Maronna, R. A. (1976). Robust M-estimators of multivariate location and scatter. The annals of statistics, 51-67.
Toplam 21 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Finans
Bölüm Araştırma Makaleleri
Yazarlar

Levent Güntay Bu kişi benim 0000-0002-5532-3101

Mehmet Aktuna Bu kişi benim 0000-0002-5532-3101

Yayımlanma Tarihi 10 Ağustos 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 15 Sayı: 1

Kaynak Göster

APA Güntay, L., & Aktuna, M. (2021). Finansal Kurumlarda Senaryo Bazlı Aykırı Gözlem Tespiti: Türk Faktoring Sektörü Üzerine Bir Çalışma. BDDK Bankacılık Ve Finansal Piyasalar Dergisi, 15(1), 83-113. https://doi.org/10.46520/bddkdergisi.986652