Bulanık regresyon fonksiyonları yöntemi ile konut kredisi riski modellemesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, GAYRİMENKUL GELİŞTİRME VE YÖNETİMİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: ELİF HANDE EDİNSEL
Danışman: Furkan Başer
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kredi riskinin değerlendirilmesi son yıllarda yaşanan finansal krizler nedeniyle önemli bir konu halini almıştır. Kredi riskinin doğru tespit edilmesiyle finansal kuruluşlar, kredi başvurusu yapan kişi ve kurumlara kredi vermemeyi ya da ek teminatlar talep etmeyi tercih ederek; kredi kaynaklı risklerini mümkün olduğunca aza indirebilmektedir. Finansal kuruluşların veriye dayalı doğru kredi verme kararı alabilmeleri için kredi riski değerlendirme modelleri kullanılmaktadır. Ancak kredi riski verileri genelde riskli ve riskli olmayan bireylerin oranına göre dengesiz bir dağılım sergilemektedir. Sınıflandırma modellerinde bu tür dengesiz form, çoğunluk sınıfı lehine yanlı tahminler ile sonuçlanmakta ve sınıflandırma doğruluğu riskli bireylerin yer aldığı azınlık sınıfı için çok düşük kalmaktadır. Bununla birlikte, göreceli olarak yüksek riskinden ve ciddi finansal kayıplara yol açmasından dolayı bankalar ve finans kurumları, pratikte azınlıkta olan sınıf vakalarının tespitine daha fazla önem vermektedir. Bu çalışmada konut kredisi riskinin değerlendirilmesi amacıyla Bulanık Regresyon Fonksiyonları (BRF) yaklaşımından faydalanılmıştır. Yeniden örnekleme yöntemi ile dengesiz veri setinin getirmiş olduğu dezavantajlardan kaçınmak ve azınlık sınıfına ait doğruluğu daha yüksek tahminler elde etmek amaçlanmış olup, BRF yaklaşımı ile geleneksel makine öğrenmesi yöntemlerinin performansında iyileştirme gerçekleştirilmesi hedeflenmiştir. Açık kaynaktan temin edilen gerçek konut kredisi veri seti kullanılarak elde edilen bulgular farklı performans ölçütleri ile değerlendirilmiştir. Dengesiz bir dağılım gösteren konut kredisi veri setinde yeniden örnekleme yöntemine göre gerçekleştirilen farklı uygulamalarda, BRF yaklaşımının klasik makine öğrenmesi yöntemlerine göre daha üstün sınıflandırma doğruluğuna ulaştığı belirlenmiştir.