Citation Number
6
Views
56
Downloands
10
Bankaların, müşterilerinin kredi değerliliğini doğru bir şekilde analiz etmemeleri yıkıcı sonuçlar doğurmaktadır. Bu nedenle, bankacılık sektöründe kredi skorlamasının önemi son yıllarda büyük bir araştırma alanı haline gelmiştir. Kredi değerliliğinin skorlanması için lojistik regresyon, doğrusal regresyon, diskriminant analizi ve yapay sinir ağları gibi yöntemler mevcuttur. Bu araştırmanın konusu makine öğrenmesi ve lojistik regresyon modellerinin kredi skorlaması modelindeki performanslarınnı kıyaslama yoluyla değerlendirmektir. Bu çalışma ile klasik yöntemlerle yapay sinir ağlarını karşılaştırarak, bankaların kredi riskine en az düzeyde maruz kalabilecekleri bir skorkart modeli geliştirilmesi amaçlanmıştır. Literatürde kredi skorlaması modellerinin kıyaslanmasına ilişkin çalışmalar mevcut olmakla birlikte, çalışmalar perakende portföyler üzerinden ve en fazla 4 yılı kapsayan bir örneklem üzerinden yapılmıştır. Araştırma literatürdeki çalışmalardan farklı olarak kurumsal firmalar üzerinden ve literatürdeki çalışmalara göre daha geniş bir örneklem üzerinden ele alınmıştır. Çalışma sonucunda geliştirme örnekleminde daha yüksek başarı sergileyen yapay sinir ağlarının, örneklem dışı veri seti üzerinde lojistik regresyondan daha düşük bir performans sergilediği görülmüştür. Böylece yapay sinir ağları yüksek performans gösterse de, lojistik regresyonun daha tutarlı sonuçlar verdiği bulgusuna ulaşılmakla birlikte yapay sinir ağlarının iterasyon süreçlerinde optimizasyon yapılması ile daha tutarlı sonuçlar üretebileceği düşünülmektedir.
The failure of banks to correctly analyze their credit values results in devastating consequences. Therefore, the importance of credit score in the banking sector has become a major research field in recent years. There are methods available to score the credit value, such as logistical regression, linear regression, discriminatory analysis and artificial nerve networks. The subject of this study is machine learning and the comparison of the performance of logistical regression models in the credit score model. This study, comparing artificial nerve networks with classic methods, aimed at developing a scorecard model in which banks can be exposed to credit risk at a low level. While studies on the comparison of credit scores models in literature are available, the studies have been done through a sample covering 4 years through retail portfolios. The research, unlike the studies in literature, has been addressed through corporate companies and through a wider sample compared to the studies in literature. The study found that artificial nerve networks, which showed higher success in development samples, showed lower performance than logistics regression on non- sampled data sets. Thus, although artificial nerve networks show high performance, it is believed that logistics regression can produce more consistent results with optimization in iteration processes, while logistics regression can produce more consistent results.
The failure of banks to correctly analyze the credit worthiness of their customers has devastating consequences. Therefore, the importance of credit scoring in the banking sector has become a major field of research in recent years. There are some methods such as logistic regression, linear regression, discriminant analysis and artificial neural networks for credit scoring. The subject of this research is to evaluate the performance of machine learning and logistic regression models on credit scoring by comparison. In this study, it is aimed to develop a scorecard model in which banks can be exposed to a minimum level of credit risk by comparing the logistic regression and artificial neural network methods which are two of these methods. Although there are studies on the comparison of credit scoring models in the literature, the studies have been conducted through retail portfolios and a sample that covers a maximum of 4 years. Unlike the studies in the literature, this research was conducted through corporate firms and a larger sample than the studies in the literature. The result of the study indicated that artificial neural networks which have higher success than logistic regression on the development sample, saw lower success on the out of sample data. Thus, while artificial neural networks show higher performance, it is concluded that logistic regression provides more consistent results, and it is thought that artificial neural networks can produce more consistent results by optimization of the iteration processes.
Field : Sosyal, Beşeri ve İdari Bilimler
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
