Makine öğrenmesi teknikleri kullanılarak kredi risk analizi

Abstract

İnsanların son dönemlerde bankalardan kredi talepleri oldukça fazlalaştığı görülmektedir. Bu durum bankalar açısından olumlu bir durum gibi gözükse de aynı zamanda çok fazla risk teşkil etmektedir. Banka ve finans sektörlerinde risk yönetiminin doğru yapılması, mevcut olan kaynakların verimli ve iyi kullanılması, oluşacak riskleri tahmin ederek zamanında önlem alınmasına ile bağlantılıdır. Sorun teşkil eden kredilerin öngörülebilir olması bankalar için kararlılık açısından büyük önem taşımaktadır. Kredi almak için talepte bulunan kişilere, bankaların kredi vermesi, bankaların temel faaliyetlerdendir. Fakat bu temel faaliyet aynı zamanda riskli bir faaliyettir. Bankalar kuruluş amaçları gereği risk almaktan kaçınmazlar ve alınan bu riskleri yönetmektedirler. Bu risk yönetimini yaparken, bankaların verilen kredi tutarlarından oluşabilecek zararları en az seviyede tutabilecek şekilde risk yönetimlerini yapmaları gerekir. Bütün bu sebepler göz önünde bulundurularak, son dönemlerde bankaların kredilendirme işlemlerini hızlandırmak ve olumlu kararlar verebilmek adına veri madenciliği başta olmak üzere, farklı farklı algoritma modelleri, algoritma sınıflandırmaları, yapay sinir ağları gibi makine öğrenmesi tekniklerini kullanmaya başladıkları görülmektedir. Bu çalışmada çeşitli makine öğrenmesi tekniklerinden yararlanılarak kredi talebinde bulunan müşterilerin krediye uygun olup, olmadığının doğruluğu test edilmiştir. Veri seti olarak german credit data UCI' de bulunan erişimi açık veri kümesi kullanılmıştır. Bu çalışmadaki veri kümesinde bulunan 1000 adet müşteri baz alınarak XGBoost sınıflandırıcısında %75,60 başarı oranı yakalanmıştır. Bu başarı oranı daha önce XGBoost sınıflandırıcısı ile yapılan çalışmalar arasında en yüksek başarı oranına sahiptir. Ayrıca yapılan diğer çalışmalarda kullanılan algoritmalar içerisinde de en yüksek başarı oranı sağlanmıştır.

It can be easily observed that the general public is putting in more and more loan requests in the banking system recently, which can be regarded as a positive development for the banks, while at the same time presenting a considerable risk. Accurate risk management in the banking and finance sector is related to efficient and optimized use of the current resources, assessment of possible risks and taking timely precautions. It is of utmost importance for the banks to predict the problematic loans in terms of long-term stability. Giving credits to the applicants is one of the fundamental activities of the banks, however; the same activity brings significant risks. As part of their founding purpose, the banks do not avoid taking risks, and they choose to manage them. The banks should perform their risk management in the way to keep the damages resulting from the amount of loans they give to a minimum. Considering the above and in order to speed up the lending procedures in banks while making advantageous decisions, different algorithmic models and classifications, machine learning techniques such as artificial neural networks were started to be used lately, data mining being at the first place. In this study, the accuracy of the applicants' eligibility status for loans was determined by making use of several machine learning techniques. The open-access dataset from the German Credit Data UCI was employed. Based on the 1000 customers in this study's dataset, a 75,60% success rate was achieved in the XGBoost classifier, which has the best success rate among the studies conducted with the XGBoost classifier previously. In addition, the success rate is the highest among the other algorithms used in various studies made.