THE USE OF FUZZY LOGIC AND CONTROL SYSTEMS IN THE FINAL STEP OF CONSUMER LENDING DECISIONS

Yıl 2020, , 725 - 764, 28.12.2020

Gülcan Petriçli , Gül Gökay Emel

https://doi.org/10.37093/ijsi.837751

Cited By: 1

Öz

The rapid increase in bad loans caused banks to be more cautious and selective for minimizing their risks. However, although banks make the lending decision by using quantitative financial criteria, the final decision step is usually intuitive/judgemental when the offer does not meet the expectations of the customer. In this case, the success of the decision directly depends on the experience of the bank personnel or unit manager. Such an application may lead to decisions that do not comply with a specific standard/rule and result in default. One of the ways to eliminate these drawbacks is to standardize and automate the final decision phase within the framework of some subjective rules determined with common sense by the top management of the bank. Fuzzy logic allows quantitative analysis of subjective judgments and qualitative criteria. In this context, the aim of the study is to examine how fuzzy logic approaches can be used in the final step of lending decisions. A hypothetical lending decision was modeled and resolved using fuzzy linguistic qualifiers, fuzzy propositions, and fuzzy logic control systems. As a result, the fuzzy rule base of the control system that was visualized with MATLAB made it possible to examine the impact of different levels of subjective evaluation scores on the final decision. Also, decision fields and customer groups could be created with the pseudo-code surface images.

Anahtar Kelimeler

Fuzzy Logic, Fuzzy Logic Control Systems, Fuzzy Inference, Lending Decision, Consumer Loans

BULANIK MANTIK VE KONTROL SİSTEMLERİNİN BİREYSEL KREDİLENDİRMELERİN NİHAİ KARAR AŞAMASINDA KULLANIMI

Öz

Batık kredilerdeki hızlı artış, bankaların kredi verirken risklerini minimize edebilmeleri için daha temkinli ve seçici davranmalarını gerektirmektedir. Kredilendirme işlemleri, her ne kadar nesnel ve nicel finansal kriterler kullanılarak yapılıyor olsa da müşteriye sunulan kredi teklifi müşterinin beklentilerini karşılamadığı zaman, nihai karar aşaması sezgisel olarak gerçekleştirilebilmektedir. Bu gibi durumlarda, alınan kararların başarımı banka personelinin veya birim yöneticisinin tecrübelerine bağlı kalmaktadır. Bu tür öznel uygulamalar, hem bir banka içinde tek tip olmayan kredilendirme kararlarının alınmasına hem de batık kredi olasılığının artmasına neden olabilmektedir. Bu sakıncaları gidermenin yollarından biri, nihai karar aşamasının banka üst yönetimi tarafından ortak akıl ile belirlenmiş bazı öznel kurallar dahilinde standartlaştırılıp otomatikleştirilmesidir. Bulanık mantık, öznel yargıların ve nitel kriterlerin nicel olarak değerlendirilmesine ve analiz edilmesine olanak sağlamaktadır. Bu çalışmanın amacı, kredilendirme sürecinin nihai karar aşamasında kullanılmak üzere oluşturulan örnek bir öznel değerlendirme kural tabanı için bulanık mantık yaklaşımlarından nasıl yararlanılabileceğini incelemektir. Çalışmada, hipotetik bir kredilendirme problemi ele alınmış, bulanık dilsel niteleyiciler, bulanık önermeler ve bulanık mantık kontrol sistemi (BMKS) kullanılarak modellenmiş ve çözülmüştür. Çözüm sonucunda MATLAB yazılımı ile görselleştirilen BMKS kural tabanı, farklı seviyelerdeki öznel değerlendirme puanlarının nihai karar üzerindeki etkisinin incelenmesini olanaklı kılmıştır. Ayrıca, elde edilen pseudo-code iki boyutlu yüzey görüntüsü ile karar alanları ve müşteri grupları oluşturulmuştur.

Anahtar Kelimeler

Bulanık Mantık, Bulanık Mantık Kontrol Sistemi, Bulanık Çıkarım, Kredilendirme Kararı, Bireysel Kredi

Kaynakça

• Abdou, Hussein A.; Pointon, John (2011). "Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature". Intelligent Systems in Accounting, Finance & Management, 18(2-3), 59–88.
• Akkaya, Göktuğ Cenk; Demireli, E. (2010). "Analitik hi̇Yerarşi̇ Süreci̇ ile Kredi̇ Derecelendi̇rme Anali̇zi̇ Üzeri̇ne Bi̇r Model Öneri̇si̇". C.Ü. Sosyal Bilimler Enstitüsü Dergisi, 19(1), 319–335.
• Alavala, Chennakesava R. (2008). Fuzzy Logic and Neural Networks. Hyderabad: New Age International Publishers.
• Angilella, Silvia; Mazz`u, Sebastiano (2014). "The Financing of Innovative SMEs: A Multicriteria Credit Rating Model". Journal of Operational Researchs, 244(2), 540–554.
• Antonov, Ivo (2000). "Quantitative vs. Judgemental Credit Risk-Rating Systems". The Journal of Lending & Credit Risk Management, 34–40.
• Asa Berger, Arthur (2015). Ads, Fads, and Consumer Culture. (Fifth edit). Maryland: Rowman & Littlefield.
• BDDK (2020). Türk Bankacılık Sektörü Temel Göstergeleri. https://www.bddk.org.tr/ ContentBddk/dokuman/duyuru_0816_01.pdf.
• Bouchon, Bernadette (1988). "Stability of Linguistic Modifiers Compatible with a Fuzzy Logic". Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). NY: Springer, 63-70 https://doi.org/10.1007/3-540-19402-9_57.
• Chandler, Gary G.; Coffman, John Y. (1979). "A Comparative Analysis of Empirical vs. Judgemental Credit Evaluation". The Financial Review, 14(4), 23–23.
• Chen, Guanrong; Pham, Trung Tat (2001). Introduction to Fuzzy Sets, Fuzzy Logic and Fuzzy Control Systems. CRC Press.
• Çil Koçyiğit, Seyhan; Demir, Aysel (2014). "Türk Bankacılık Sektöründe Kredi Riski ve Yönetimine Ilişkin Bir Uygulama : Türkiye Garanti Bankası Örneği". İşletme Araştırmaları Dergisi, 6(3), 222–246.
• Cornée, Simon (2015). The Relevance Of Soft Information For Predicting Small Business Credit Default: Evidence From A Social Bank. Brussel.
• Cücük, Cengiz Öner (2019). "Kredi Taleplerinde Istihbarat ve Kredi Skorlamanın Karar Verme Süreçlerine Etkisi". Göller Bölgesi Aylık Hakemli Ekonomi ve Kültür Dergisi, 7(77), 63–71.
• Elmas, Çetin (2011). Yapay Zeka Uygulamaları. Ankara: Seçkin Yayıncılık.
• Ertaş, Fatih Coşkun; Kaban, İsmail; Sobacı, Fatih (2016). "Bireysel Kredi̇ Kullanan Fi̇nansal Tüketi̇ci̇lerce Üstleni̇lecek Masraflar; BDDK Düzenlemesi̇ Çerçevesi̇nde Karşılaştırmalı bi̇R Değerlendi̇rme". Finansal Araştırmalar ve Çalışmalar Dergisi, 8(14), 125–146. https://doi.org/10.14784/jfrs.21124.
• Felsefe e-Dersliği. (2009). "Sembolik mantık", http://www.felsefedersligi.com/FileUpload/ op30412/File/cokdegerliman.pdf (Erişim Tarihi: 03 Kasım 2019)
• İnce, Hüseyin; Aktan, Bora (2010). "Kredi Kartı Taleplerinin Değerlendirilmesinde Grup ve Bireysel Kredi Puanlama Modellerinin Karşılaştırmalı Bir Analizi". BDDK Bankacılık ve Finansal Piyasalar, 4(1), 75–90.
• Iorgulescu, Afrodita. (1998). "Connections between MVn Algebras and N-Valued Lukasiewicz-Moisil Algebras". Discrete Mathematics, 181(1–3), 155–177. https://doi.org/10.1016/ S0012-365X(97)00052-6.
• Jang, Jyh-Shing Roger; Sun, Chuen-Tsai; Mizutani, Eiji (1997). Neuro-Fuzzy and Soft Computing. Upper Saddle River, NJ: Prentice-Hall, Inc.
• Jantzen, Jan (1998). Design of Fuzzy Controllers. Lyngby. https://doi.org/10.1109/ 3477.764873.
• Kalapodas, Evangelos; Thomson, Mary E. (2006). "Credit Risk Assessment: A Challenge for Financial Institutions". IMA Journal of Management Mathematics, 17(1), 25–46. https://doi.org/10.1093/imaman/dpi026.
• Kılınç, Neslihan; Karaoğlu, Nazlı (2014). "Tüketim Toplumu ve Bireysel Krediler; Türkiye Üzerine Bir Değerlendirme". International Conference in Economics, Prague, Czech Republic, 1–16.
• Klir, George J.; Yuan, Bo (1995). Fuzzy Sets and Fuzzy Logic: Theory and Applications. Neurocomputing (C. 14). New Jersey: Prentice-Hall, Inc.
• Peters, Werner (2008). "An Overview of Fuzzy Control Theory". R. Lowen, A. Verschoren (Eds.). Foundations of Generic Optimization, Belgium: Springer, 1–138. https://doi.org/10.1007/1-4020-3665-5.
• Polat, Ali; Yeşilyaprak, Mehmet. (2014). "The Importance of Subjective Criteria in Credit Ratings under Informality: Sectors and Regions with High Informality. An Analysis of Participation Banking in Turkey". İktisat İşletme ve Finans, 29(335), 9–28. https://doi.org/10.3848/iif.2014.335.3793.
• Ross, Timothy J. (2010). Fuzzy Logic with Engineering Applications. John Wiley & Sons Ltd, Wiley.
• Şen, Zekai (2009). Bulanık Mantık İlkeleri ve Modelleme. İstanbul: Su Vakfı Yayınları.
• Thomas, Lyn C. (2000). "A Survey of Credit and Behavioural Scoring: Forecasting Financial Risk of Lending to Consumers". International Journal of Forecasting, 16(2000), 149–172.
• Trönnberg, Carl-Christian; Hemlin, Sven (2014). "Lending Decision Making in Banks: A Critical Incident Study of Loan Officers". European Management Journal, 32(2), 362–372. https://doi.org/10.1016/j.emj.2013.03.003.
• Vaníček, Jiri; Vrana, Ivan; Aly, Shady (2009). "Fuzzy Aggregation and Averaging for Group Decision Making: A Generalization and Survey". Knowledge-Based Systems, 22(1), 79–84. https://doi.org/10.1016/j.knosys.2008.07.002.
• Yarız, Ahmet (2011). "Bankacılıkta Risk Yönetimi: Risk Matrisi Uygulaması". Marmara Üniversitesi Bankacılık ve Sigortacılık Enstitüsü E-Dergisi, 1(1), 1–33. Zadeh, Lotfi Aliasker (1965). "Fuzzy Sets". Information and Control, 8(1965), 338–353.
• Zadeh, Lotfi Aliasker (1999). "Fuzzy Sets as a Basis for a Theory of Possibility". Fuzzy Sets and Systems, 100, 9–34. https://doi.org/10.1016/S0165-0114(99)80004-9.