Kredi riskinin belirlenmesinde yapay zekâ yaklaşımları ve bir uygulama

Yapay zekâ yöntemleri, emekleme aşamasını hatta yürüme dönemlerini çoktan atlattı ve teknolojinin faydalarından yararlanmak ve böylelikle işlerini daha düzgün, daha verimli ve yaratıcı bir formasyonda yapmak isteyen tüm çevrelerin odak noktası haline geldi. Günden güne hızla gelişen bu yöntem ve yaklaşımların kredi riski değerleme gibi kadim problemlere ürettikleri çözümler de en çok merak edilen ve araştırılan konuların başında geliyor. Bu tez çalışmasında, yapay zekâ yöntemlerinden, Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM), geleneksel istatistiki yöntemlerden ise Lojistik Regresyon (LR) kullanılmıştır. Yöntemler, bir bankadan alınan, üç farklı, gerçek hayat verisine uygulanmıştır. Bunlardan birincisini, bireysel verilerin yer aldığı ve 407 adet gözlemden oluşan "Bireysel Veri Kümesi" oluşturmaktadır. İkincisini ise, kurumsal müşteri verilerinin bulunduğu ve 12921 adet gözlemden oluşan "Kurumsal Veri Kümesi" oluşturmaktadır. Üçüncüsünü ise, yine ikincil veri kümesinden türetilmiş, 1590 tanesi kusurlu ve 1590 tanesi kusursuz müşterilerin verilerinden ve toplam 3180 adet gözlemden oluşan "Dengeli Kurumsal Veri Kümesi" oluşturmaktadır. Her üç veri setinde de, DVM en yüksek doğruluk oranını veren yöntem olmuştur. Kurumsal veri kümesinden, dengeli kurumsal veri kümesine geçildiğinde, veri miktarında yaklaşık %75 oranında azalış meydana gelmiştir. Veri miktarındaki bu azalışın, doğruluk oranı bakımından, DVM'ni hiç etkilemediği (%1 arttı), YSA'nı (%22 azaldı) ve LR'u (%30 azaldı) ise oldukça fazla etkilediği görülmüştür. Dolayısıyla sınırlı veri söz konusu olduğunda, DVM'nin diğer yöntemlere kıyasla daha başarılı bir yöntem olduğu, bu tez çalışmasında da görülmüştür. Anahtar Kavramlar: Kredi riskinin belirlenmesi, yapay sinir ağları, destek vektör makineleri, model karmaşıklığının kontrolü