A modular approach for SMEs credit risk analysis

Abstract

Kredi risk analizi, finansal alanda ilgi duyulan problemlerden biridir ve müsteriyekredi verildiğinde olusacak riski tahmin etmeyi hedefler. Risk tahmini hem müsteridavranısına, hem de ekonomik duruma bağlıdır. Buradaki zorluk, kredi uzmanlarınınmüsterilerden hangi verileri toplaması gerektiği, hangi kosullarda müsterilerin iyi olaraksınıflandırıldığı ve müsteriye kredi verildiğinde ne kadar risk alındığının tahminedilmesidir. Bu nedenle, kredi uzmanları ilgili kararları verirken müsteri tipine özel riskanaliz modüllerine ihtiyaç duyarlar.Bu tezde, gerçek Küçük ve Orta Boylu ?sletmeler (KOBI) için, kademeli çok tabakalıyapay sinir ağı-sinirsel kural çıkarıcı ve lojistik regresyon modeli sunuyoruz. Önhazırlıkasamasında, KOBI veritabanının öznitelikleri; karar ağacı, özyinelemeli öznitelik çıkarıcı,faktör analizi ve temel bilesen analizi ile seçiliyor. En iyi öznitelik kümesi özyinelemeliöznitelik çıkarıcı ile elde ediliyor. Ilk modülde, sınıflama metodu çok tabakalı yapay sinirağı, k-yakin komsu ve destek vektör makinesi arasından seçilmistir. Optimal sınıflayıcıolarak çok tabakalı yapay sinir ağı elde edilmis ve takip eden modüller bunun üzerinekurulmustur. Ikinci modülde, sınıflandırma amacıyla çok tabakalı yapay sinir ağını sinirselkural çıkarıcı takip etmektedir. Sinirsel Kural Çıkarıcı, müsteriler için ?iyi? kararının nasılverildiğini ortaya çıkarır. Temerrüt olasılığının tahmin edilmesi için, üçüncü modülde,lojistik regresyon tarafından takip edilen kademeli çok tabakalı yapay sinir ağı modeliniöneriyoruz. Son modülde, skor kartı elde etmek için, çok tabakalı yapay sinir ağı-lojistikregresyon modeli kümeleme metodu tarafından takip edilmistir. Deneylerde, özel TürkKOBI veritabanı kullanılmıstır. Kademeli çok katmanlı yapay sinir ağı-lojistik regresyonmodeli yüksek doğruluk oranı sağlamaktadır ve genel olarak kullanılan klasik lojistikregresyondan daha üstündür.

Credit risk analysis is a challenging problem in financial analysis domain. It aims toestimate the risk occurred when a customer is granted. The risk estimation depends on bothcustomer behavior and economical condition. The challenge is how the credit expert willdetermine which information should be collected from applicants, under which condition acustomer will be classified as good and how much risk will be taken if the credit is grantedto the customer. Consequently, credit experts need intelligent customer-specific riskanalysis modules to support them when they make these decisions.In this thesis, we present a cascaded multilayer perceptron (MLP) rule extractor anda logistic regression (LR) model a for real-life Small and Medium Enterprises (SMEs). Inthe preprocessing phase, the features of Turkish SME database are selected by decisiontree (DT), recursive feature extraction (RFE), factor analysis (FA) and principalcomponent analysis (PCA) methods. The best feature set is obtained by RFE. In the firstmodule, the classifier is selected among MLP, k-nearest neighbor (KNN) and supportvector machine (SVM). The optimal classifier is obtained as MLP and the followingmodules are built on MLP. For classification purpose, MLP is followed by neural ruleextractor (NRE) in the second module. NRE reveals how the decision is made forcustomers as being ?good?. For the probability of default estimation (PD), we propose acascaded MLP which is followed by a LR model in the third module. MLP-LR model isfollowed by clustering method in the last module for scorecard development purpose. Inexperiments, confidential Turkish SME database is used. The cascaded MLP-LR modelprovides high accuracy rate and outperforms commonly used classical LR