Yüksek Lisans Adayı: Caner Taş
EABD: Bilişim Sistemleri
Tarih: 14.07.2023 / 13:30
Yer: A-212

Özet: Kredi, finansal kuruluşlar için vazgeçilmez ürünlerden biridir ve kredi riski yönetimi, 2008 finansal krizinden sonra önem kazanmıştır. Düzensiz kredi büyümesi, krizin ana nedenlerinden biri haline geldi ve kredi sektöründe daha fazla düzenlemeye yol açtı. Mevzuatın getirdiği yükümlülükler ile birlikte bankaların öncelikleri nitelikli müşteri bularak kredi portföylerindeki riski azaltmaya kaymış ve kredi riski tahmini onlar için gerekli hale gelmiştir. Ayrıca son dönemde e-ticaretin küreselleşmesi ve yeni finansal ürünlerin ortaya çıkması finansal teknoloji şirketlerinin kredi riski tahmini yapmasını sağlamış ve kredi riski yönetimi sadece bankaların ilgi alanı olmaktan çıkmıştır. Yeni finansal ürünlerin geleneksel kredi ürünlerinden farklılaşması ve yaygınlaşması, farklı kredi kullanıcı davranışlarının gözlemlenmesine yol açmış; bu nedenle finansal teknoloji şirketleri, müşterilerin kredi riski tahmininde bankaların standart kredi riski modellerine göre gelişmiş makine öğrenimi algoritmalarını tercih etmektedir. Bu çalışmada, Şimdi Al Sonra Öde kredi veri seti ile kullanıcıların kredi risklerini tahmin ediyor ve kredi riski tahmin sürecinde standart ve gelişmiş yapay zeka kredi riski modellerinin performanslarını karşılaştırıyoruz. Türkiye'nin önde gelen finansal teknoloji şirketlerinden biri olan Colendi ile iş birliği yaparak şirketin BNPL kredi veri setini kullandık. Logistic Regression, Probit, Random Forest ve LightGBM üzerinde karşılaştırmalı bir çalışma yapılmıştır. Çalışmada Lojistik Regresyon ve Probit standart kredi riski modelleri, Random Forest ve LightGBM ise gelişmiş kredi riski modelleridir. Model performansları hatırlama, Roc eğrisi ve karışıklık matrisi gibi performans değerlendirme metrikleri ile ölçülmüştür. Ayrıca, kredi riski tahmin sürecinde modellerin gerekli gördüğü özellikler analiz edilmekte ve değerlendirilmektedir.