Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Finansal Bilimler Fakültesi, Aktüerya Bölümü, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: MUSTAFA CERAN
Danışman: SERPİL ERGÜN
Özet:BANKACILIKTA DİJİTALLEŞME KAPSAMINDA, ÖĞRENEN YAPAY ZEKÂ DESTEĞİYLE SORUNLU KREDİLERİN BELİRLENMESİ Günümüzde yerine getirdiği işlevle finans dünyasının merkezinde bulunan bankalar; yönettikleri bilançoların başarılı bir performans gösterebilmesi adına, bu bilançoların en hacimli bölümünü oluşturan kredilerin doğru bir şekilde analiz edildiğinden, sağlıklı bir tahsis sürecinden geçirildiğinden ve sürekli olarak yakın izlemeye tabi tutulduğundan emin olmak durumundadırlar. Bu çalışma bütünüyle, söz konusu ihtiyaca belirli ölçüde cevap verilmesine ve çeşitli olumsuzlukların önceden giderilmesine yönelik örnek teşkil edecek değerlendirmeleri içinde barındırmaktadır. Bu çalışmada, bankaların kredi analizi ve tahsisi sürecini yönetirken dikkate alabilecekleri sistematik yol haritaları sunulmuş olup; çalışmanın uygulama bölümünde, 112 adet firmanın bu çalışmaya özgü kredi değerleme yöntemleriyle hazırlanmış finansal tablo formatlarından üretilen 34 adet bağımsız değişkenle yer aldığı bir veri seti yapay sinir ağları yöntemi kullanılarak analiz edilmiştir. Çalışmada firmaların yarısı başarılı, diğer yarısı da başarısız firmalardan oluşturulmuştur. UFRS 9’un bankalara etkisi dikkate alınarak, firmaların başarısızlık kriteri; “30 günü aşan kredi geri ödemesi gecikmeleri” olarak belirlenmiştir. Türk Ekonomisi’nin hem temin ettiği kredi hacmi hem de takipteki kredi hacmi açısından en önemli sektörlerinden olan üretim sektörü, çalışmanın hedef kitlesini oluşturmuştur. Rastgele seçim yöntemiyle %66’sı deney grubu (73 firma) olarak belirlenen veri seti üzerinden geliştirilen model; eğitim sürecini %98,63 oranında başarıyla tamamlamış, geçerlilik testini ise %89,74 öngörü gücüyle geçmiştir. Modelin tüm örneklemdeki genel başarısının da %95,54 oranında olduğu görülmüştür. Makine öğrenimini merkez alan bu çalışma, yapay zekâ desteğiyle bankaların sorunlu kredileri önceden belirlemesine yönelik başarılı bir model çıktısı sunmuştur. Dijitalleşmenin her geçen gün yaygınlaştığı günümüz dünyasında, bankacılık sektörünün bu çalışma benzeri araştırmalara yönelik gerekli teknolojik yatırımlara öncelik vermesi, banka bilançolarının daha sağlıklı yönetimi açısından yararlı olacaktır. -------------------- WITHIN THE SCOPE OF DIGITALIZATION IN BANKING, DETERMINATION OF PROBLEM LOANS THROUGH THE SUPPORT OF LEARNING ARTIFICIAL INTELLIGENCE Banking organizations, that are in the center of global finance with their functions, should be sure that loans, forming the biggest portions of their balance sheets, are properly analyzed, passed through a sound assignment process and closely-monitored permanently in order to provide that these balance sheets managed by them show a prosperous performance. This study entirely includes the evaluations as a reference intended for responding to the aforementioned necessity to a certain extent and getting rid of various negativities before they happen. In this study, systematic route maps that can be taken into consideration by banks within the management of loan analysis and assignment process were submitted and a dataset containing 34 independent variables produced from the financial statement formats of 112 companies, that had been prepared through the credit assessment techniques peculiar to this study, was analyzed via artificial neural network method, in the application part of the study. Half of the companies were formed as successful companies while the remaining half of them were formed as unsuccessful companies in the study. Taking the effect of IFRS 9 on banks into consideration, “credit repayment delinquencies with 30 days past due” was specified as the failure criterion of the companies. Manufacturing industry, one of the most significant industries regarding the total credit volume and non-performing loan volume in Turkish Economy, was determined as the target of the study. The model, developed from the dataset of whom 66% of the total (73 companies) had been specified as experiment group through random selection method, completed training session with 98.63% success and passed validation test with 89.74% forecasting power. It was noticed that the general success of the model on the whole sample was 95.54%. Centering the machine learning, this study has generated a successful model output through the support of artificial intelligence, intended for the determination of the problem loans by banks before they happen. As nowadays the digitalization has become prevalent with each passing day, the prioritization of essential technologic investments for the researches like this study by banking industry would be beneficial with regard to the healthier management of the bank balance sheets.