Credit Default Prediction Model in Credit Allocation

Öz

The main pioneers of the finance sector, banks and other financial institutions, fund the market through the loans they provide. Thus, the healthy execution of funding is ensured by correctly performing the loan provision function, which is the largest item of funding. This can only be achieved by managing the “credit risk” situation, which indicates the possibility of not returning some or all of the allocated loans on time, in other words, by reducing the non-performing loans to the lowest possible level. Credit default estimates were made by applying Decision Tree, CatBoost, Artificial Neural Networks (ANN) and Random Forest to the data set and Logistic Regression (LR) methods, which are among the traditional statistical methods, for comparison purposes.

Anahtar Kelimeler

• default
• prediction model
• credit allocation

Kredi Tahsisinde Kredi Temerrüdü Tahmini Modeli

Öz

Finans sektörünün ana öncüleri olan bankalar ve diğer finans kurumları piyasayı kullandırmış oldukları krediler sayesinde fonlamaktadırlar. Böylelikle fonlamanın sağlıklı yürütülebilmesi, fonlamanın en büyük kalemi olan kredi kullandırma işlevinin doğru yapılması ile sağlanır. Bu da ancak ve ancak tahsis edilen kredilerin bir kısmının ya da tamamının zamanında geri dönmeme olasılığını belirten “kredi riski” durumunun iyi idare edilebilmesi yani geri dönmeyen kredilerin mümkün mertebe en düşük seviyeye indirilmesi ile sağlanabilmektedir. Veri kümesine Karar Ağacı ,CatBoost ,Yapay Sinir Ağları (YSA) ve Random Forest ve karşılaştırma imkânı elde etme açısından da geleneksel istatistiki yöntemlerden Lojistik Regresyon (LR) yöntemleri uygulanarak kredi temerrüdü tahminleri yapılmıştır.

Anahtar Kelimeler

• temerrüd
• tahmin modeli
• kredi tahsisi

Kaynakça

1. Internet: C.Yeh & C.H Lien,The comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients , https://www.sciencedirect.com/science/article/abs/pii/S0957417407006719,11.11.2024.
2. Internet: H. Budak & S. Erpolat, Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması., https://dergipark.org.tr/tr/pub/ajit-e/issue/54448/741024 ,01.10.2024.
3. Internet: Ş. Kavcıoğlu, Ticari Bankacılıkta Kredi Riskinin ve Kredi Riski Ölçüm Modellerinin Değerlendirilmesi, https://dergipark.org.tr/tr/download/article-file/3978, 02.10.2024.
4. Internet: S. Hamori & M. Kawai & K. Takahiro & M.Yuji & C. Watanabe,Ensemble Learning or Deep Learning Application to Default Risk Analysis,https://epe.lacbac.gc.ca/100/201/300/jrn_risk_financial_mngmt/2018/v11no1/mdpi.com/1911-8074/11/1/12/htm.html ,11.10.2024.
5. Internet: T. İldaş, Kredi Riski Ölçüm Modellerinin Değerlendirilmesi,https://dergipark.org.tr/en/download/article-file/1901150, 15.10.2024.
6. M. Mahbobi & S. Kimiagari & M. Vasudevan, “Credit risk classification: an integrated predictive accuracy algorithm using artificial and deep neural networks”, Annals of Operations Research, 330(1), 609–637, 2023.
7. Internet: T.E Tütüncü & S. Gürsakal,Kredi Temerrüt Riskini Tahmin Etmede Makine Öğrenme Algoritmalarının Karşılaştırılması, https://dergipark.org.tr/tr/download/article-file/2635086 , 01.11.2024.
8. Internet: M.E.F Milli , Sınıf Dengeleme Yöntemlerinin Makine Öğrenmesi Teknikleri Üzerine Etkisi: Kredi Risk Örneği, https://avesis.deu.edu.tr/yonetilen-tez/85127e15-e6b5-4804-a3b5-d6eae4aa02f9/sinif-dengeleme-yontemlerinin-makine-ogrenmesi-teknikleri-uzerine-etkisi-kredi-risk-ornegi, , 05.10.2024.

9. Internet: X.Zhu & O. Chu & X.Song & P.Hu & L.Peng ,Explainable prediction of loan default based on machine learning models,https://www.sciencedirect.com/science/article/pii/S2666764923000218 , 11.10.2024.