Kredi Riski Tahmininde Makine Öğrenmesi Uygulamaları

Kredi Riski Tahmininde Makine Öğrenmesi Uygulamaları

25/08

Kübra Bölükbaş, Ertan Tok

İngilizce

Temmuz 2025

Bu çalışmanın amacı, Türk bankacılık sektöründe kredi riskini (canlı kredinin takipteki krediye dönüşme olasılığını) tahmin etmede en etkili modeli belirlemek ve bu riski etkileyen firma ve kredi özelliklerini ortaya koymaktır. Analiz, 2018–2023 dönemine ait 1,2 milyon firma düzeyindeki gözlemi içeren dengesiz bir veri setinden yararlanmakta; finansal oranları, ayrıntılı kredi ve firmaya özgü bilgilerle birleştirmektedir. Sınıf dengesizliği aşırı örnekleme (SMOTE dâhil) ve çoklu alt örnekleme yöntemleriyle ele alınmaktadır. Risk ex-ante olarak değerlendirilmekte; model performansı ise ex-post olarak ROC-AUC metriği ile ölçülmektedir. Farklı örnekleme teknikleriyle birlikte test edilen geleneksel ekonometrik ve makine öğrenimi yaklaşımları içinde, aşırı örneklemeli Extreme Gradient Boosting (XGBoost) 0,914 ROC-AUC skoru ile en iyi sonucu vermektedir. Aynı örnekleme düzeninde lojistik regresyona kıyasla test ROC-AUC skorunda 4,9 yüzde puanlık bir artış elde edilerek, bu modelin geleneksel yaklaşımlara göre üstün tahmin performansına sahip olduğu teyit edilmektedir. Çalışma, firmanın faaliyet gösterdiği sektör ve konum, kredi yapılandırma durumu, kredi maliyeti ve türü (sabit veya değişken faizli), karşılıksız çek geçmişi ile kârlılık, likidite ve kaldıraç oranlarını kredi riskini etkileyen en belirgin faktörler olarak bulgulamaktadır.

Kredi riski, Makine öğrenmesi teknikleri, Finansal rasyolar, Bankacılık sektörü, Makro finansal istikrar, Özellik önemi

C52; C53; C55; G17; G2; G32; G33