Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışma sonucunda geliştirme örnekleminde daha yüksek başarı sergileyen yapay sinir ağlarının, örneklem dışı veri seti üzerinde lojistik regresyondan daha düşük bir performans sergilediği görülmüştür.
📌 3 Maddede Bu Makale
Özet
Bankaların, müşterilerinin kredi değerliliğini doğru bir şekilde analiz etmemeleri yıkıcı sonuçlar doğurmaktadır. Bu nedenle, bankacılık sektöründe kredi skorlamasının önemi son yıllarda büyük bir araştırma alanı haline gelmiştir. Kredi değerliliğinin skorlanması için lojistik regresyon, doğrusal regresyon, diskriminant analizi ve yapay sinir ağları gibi yöntemler mevcuttur. Bu araştırmanın konusu makine öğrenmesi ve lojistik regresyon modellerinin kredi skorlaması modelindeki performanslarınnı kıyaslama yoluyla değerlendirmektir. Bu çalışma ile klasik yöntemlerle yapay sinir ağlarını karşılaştırarak, bankaların kredi riskine en az düzeyde maruz kalabilecekleri bir skorkart modeli geliştirilmesi amaçlanmıştır. Literatürde kredi skorlaması modellerinin kıyaslanmasına ilişkin çalışmalar mevcut olmakla birlikte, çalışmalar perakende portföyler üzerinden ve en fazla 4 yılı kapsayan bir örneklem üzerinden yapılmıştır. Araştırma literatürdeki çalışmalardan farklı olarak kurumsal firmalar üzerinden ve literatürdeki çalışmalara göre daha geniş bir örneklem üzerinden ele alınmıştır. Çalışma sonucunda geliştirme örnekleminde daha yüksek başarı sergileyen yapay sinir ağlarının, örneklem dışı veri seti üzerinde lojistik regresyondan daha düşük bir performans sergilediği görülmüştür. Böylece yapay sinir ağları yüksek performans gösterse de, lojistik regresyonun daha tutarlı sonuçlar verdiği bulgusuna ulaşılmakla birlikte yapay sinir ağlarının iterasyon süreçlerinde optimizasyon yapılması ile daha tutarlı sonuçlar üretebileceği düşünülmektedir.
Abstract
The failure of banks to correctly analyze the credit worthiness of their customers has devastating consequences. Therefore, the importance of credit scoring in the banking sector has become a major field of research in recent years. There are some methods such as logistic regression, linear regression, discriminant analysis and artificial neural networks for credit scoring. The subject of this research is to evaluate the performance of machine learning and logistic regression models on credit scoring by comparison. In this study, it is aimed to develop a scorecard model in which banks can be exposed to a minimum level of credit risk by comparing the logistic regression and artificial neural network methods which are two of these methods. Although there are studies on the comparison of credit scoring models in the literature, the studies have been conducted through retail portfolios and a sample that covers a maximum of 4 years. Unlike the studies in the literature, this research was conducted through corporate firms and a larger sample than the studies in the literature. The result of the study indicated that artificial neural networks which have higher success than logistic regression on the development sample, saw lower success on the out of sample data. Thus, while artificial neural networks show higher performance, it is concluded that logistic regression provides more consistent results, and it is thought that artificial neural networks can produce more consistent results by optimization of the iteration processes.