A Comparative Analysis of Default Rate Forecasting in Public Banks

Öz

Default rate is a key indicator for assessing credit portfolio performance and its interaction with macroeconomic variables constitutes an important area of inquiry in banking literature. This study aims to estimate default rates in public banks using alternative modeling approaches and to identify the model that delivers the best predictive performance. The analysis is based on a quarterly dataset. Core macroeconomic indicators, including economic growth, inflation, policy interest rate, unemployment rate, and exchange rate, are incorporated as explanatory variables. The estimation process employs linear regression, vector autoregressive (VAR) model, support vector regression (SVR), extreme gradient boosting (XGBoost), and random forest (RF) methods. Model performance is evaluated comparatively using various error metrics based on the separation of training and test datasets. Within this framework, the study seeks to reveal the predictive performance of different modeling approaches and to determine the model that provides the most accurate results.

Anahtar Kelimeler

• Credit Default Rate
• Macroeconomic Variables
• Machine Learning
• Static Modeling
• Dynamic Modeling

Kamu Bankalarında Temerrüt Oranı Tahmininin Karşılaştırmalı Analizi

Öz

Temerrüt oranı, kredi portföyü performansının değerlendirilmesinde temel göstergelerden biri olup, makroekonomik değişkenlerle etkileşimi bankacılık literatüründe önemli bir inceleme alanı oluşturmaktadır. Bu çalışmada, kamu bankalarında temerrüt oranlarının farklı modelleme yaklaşımları çerçevesinde tahmin edilmesi ve en iyi performans gösteren modelin belirlenmesi amaçlanmaktadır. Analiz kapsamında çeyreklik frekansta derlenen veri kümesi esas alınmaktadır. Ekonomik büyüme, enflasyon, politika faizi, işsizlik oranı ve döviz kuru gibi temel makroekonomik göstergeler, modelin açıklayıcı değişken kümesini oluşturmaktadır. Tahmin sürecinde, doğrusal regresyon, vektör otoregresif (VAR) modeli, destek vektör regresyonu (SVR), aşırı gradyan artırma (XGBoost) ve rassal orman (RF) yöntemleri kullanılmakta olup, modellerin performansları eğitim ve test veri kümeleri ayrımı temelinde çeşitli hata ölçütleri aracılığıyla karşılaştırılmaktadır. Bu çerçevede, temerrüt oranı tahmininde farklı yöntemlerin performanslarının ortaya konulması ve en iyi sonuç veren modelin tespit edilmesi hedeflenmektedir.

Anahtar Kelimeler

• Kredi Temerrüt Oranı
• Makroekonomik Değişkenler
• Makine Öğrenmesi
• Statik Modelleme
• Dinamik Modelleme

Etik Beyan

Herhangi bir etik kurul raporuna ihtiyaç yoktur.

Teşekkür

Bu çalışma, Mimar Sinan Güzel Sanatlar Üniversitesi Lisansüstü Eğitim Enstitüsü İstatistik Bölümünde hazırlanmış “Kamu Sermayeli Mevduat Bankaları Temerrüt Oranının Makroekonomik Değişkenlerle Tahmin Edilmesi: Karşılaştırmalı Bir Analiz” adlı yüksek lisans tezinden üretilmiştir.

Kaynakça

1. [1] Nkusu, M. (2011). Nonperforming loans and macrofinancial vulnerabilities in advanced economies. IMF Working Paper, 11(161).
2. [2] Beck, R., Jakubik, P. ve Piloiu, A. (2015). Key determinants of non-performing loans: New evidence from a global sample. Open Economies Review, 26(3), 525–550.
3. [3] Louzis, D.P., Vouldis, A.T. ve Metaxas, V.L. (2012). Macroeconomic and bank-specific determinants of non-performing loans in Greece. Journal of Banking & Finance, 36(4), 1012–1027.
4. [4] Jiménez, G. ve Saurina, J. (2006). Credit cycles, credit risk, and prudential regulation. International Journal of Central Banking, 2(2), 65–98.
5. [5] Macit, F. (2012). What determines the non-performing loans ratio: Evidence from Turkish commercial banks. Journal of Applied Finance and Banking, 2(4), 33–42.
6. [6] Işık, Ö. ve Bolat, S. (2016). Determinants of non-performing loans of deposit banks. Journal of Business, Economics and Finance, 5(4), 341–350.
7. [7] Yüksel, S. (2017). Determinants of non-performing loans in the Turkish banking sector. International Journal of Commerce and Finance, 3(2), 92–104.
8. [8] Pesaran, M.H., Schuermann, T. ve Weiner, S.M. (2004). Modeling regional interdependencies using a global error-correcting macroeconometric model. Journal of Business and Economic Statistics, 22(2), 129–162.

9. [9] Klein, N. (2013). Non-performing loans in CESEE: Determinants and impact on macroeconomic performance. IMF Working Paper, 13(72).
10. [10] Espinoza, R. ve Prasad, A. (2010). Nonperforming loans in the GCC banking system and their macroeconomic effects. IMF Working Paper, 10(224).
11. [11] Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
12. [12] Chen, T. ve Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
13. [13] Smola, A.J. ve Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222.
14. [14] Lessmann, S., Baesens, B., Seow, H.V. ve Thomas, L.C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring. European Journal of Operational Research, 247(1), 124–136.
15. [15] Baştanlar, Y. ve Özgür, A. (2014). A study of machine learning methods for credit scoring. International Journal of Computer Applications, 105(9), 1–7.
16. [16] Khandani, A.E., Kim, A.J. ve Lo, A.W. (2010). Consumer credit-risk models via machine-learning algorithms. Journal of Banking and Finance, 34(11), 2767–2787.
17. [17] James, G., Witten, D., Hastie, T. ve Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer.
18. [18] Hastie, T., Tibshirani, R. ve Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.
19. [19] Lütkepohl, H. (2005). New introduction to multiple time series analysis. Springer.
20. [20] Wooldridge, J.M. (2016). Introductory econometrics: A modern approach (6th ed.). Cengage Learning.
21. [21] Zou, H. ve Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320.
22. [22] Willmott, C.J. ve Matsuura, K. (2005). Advantages of the mean absolute error over the root mean square error. Climate Research.