Income estimation model for individual customers
Yükleniyor...
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Bilgi Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
ABSTRACT: The aim of this thesis is to show the increase in predictive power of the income estimation model used during individual product allocation in financial institutions by using machine learning modeling techniques. There are hundreds of factors that affect a customer's income. Although most of these factors are the customer's own information, macroeconomic indicators can cause an impact on individuals' income. In the literature, generally traditional modeling techniques have been used to estimate the income of the customers, and in this study, a modeling study has been carried out by using boosting and bagging algorithms. Compared to regression-based modeling performances, it has been observed that the performance of boosting-based models has more explanatory power. With this study, it is aimed to create a more accurate revenue estimation mechanism for customers. In this way, credit limits will be defined to customers in direct proportion to their ability to pay, and default rates in the portfolio will be minimized with correct product allocation. Within the scope of the study, model validation tests were performed and it was determined that the model performance for the validation sample provided the most descriptive results with the XGBoost algorithm.
ÖZET: Bu tez çalışmasının amacı finansal piyasalarda bireysel ürün tahsisi sırasında kullanılan gelir tahmin modelinin machine learning modelleme teknikleri kullanılarak tahmin gücünün yükselişini göstermektir. Bir müşterinin gelirini etkileyen yüzlerce faktör bulunmaktadır. Bu faktörlerin büyük bir bölümü müşterinin kendine ait bilgileri olmakla birlikte makroekonomik göstergelerde kişilerin gelirlerinde etkiye sebep olabilmektedir. Literatürde genel olarak geleneksel modelleme teknikleri kullanılarak müşterilerin gelirleri tahmin edilmeye çalışılmış olup bu çalışmada ise boosting ve bagging algoritmaları kullanılarak modelleme çalışması gerçekleştirilmiştir. Regresyon bazlı modelleme performanslarına kıyasla boosting tabanlı modellerin performanslarının daha fazla açıklayıcılığa sahip olduğu görülmüştür. Bu çalışma ile müşteriler için daha doğru bir gelir tahmin mekanizmasının oluşturulması amaçlanmıştır. Bu sayede müşterilere ödeyebilme güçleriyle doğru orantıda kredi limitleri tanımlanabilecek ve doğru ürün tahsisi ile portföydeki batık oranları minimum seviyeye gelebilecektir. Çalışma kapsamında model validasyon testleri gerçekleştirilmiş ve fazladan örneklem kitlesi için model performansının XGBoost algoritması ile en açıklayıcı sonuçları sağladığı tespit edilmiştir.
ÖZET: Bu tez çalışmasının amacı finansal piyasalarda bireysel ürün tahsisi sırasında kullanılan gelir tahmin modelinin machine learning modelleme teknikleri kullanılarak tahmin gücünün yükselişini göstermektir. Bir müşterinin gelirini etkileyen yüzlerce faktör bulunmaktadır. Bu faktörlerin büyük bir bölümü müşterinin kendine ait bilgileri olmakla birlikte makroekonomik göstergelerde kişilerin gelirlerinde etkiye sebep olabilmektedir. Literatürde genel olarak geleneksel modelleme teknikleri kullanılarak müşterilerin gelirleri tahmin edilmeye çalışılmış olup bu çalışmada ise boosting ve bagging algoritmaları kullanılarak modelleme çalışması gerçekleştirilmiştir. Regresyon bazlı modelleme performanslarına kıyasla boosting tabanlı modellerin performanslarının daha fazla açıklayıcılığa sahip olduğu görülmüştür. Bu çalışma ile müşteriler için daha doğru bir gelir tahmin mekanizmasının oluşturulması amaçlanmıştır. Bu sayede müşterilere ödeyebilme güçleriyle doğru orantıda kredi limitleri tanımlanabilecek ve doğru ürün tahsisi ile portföydeki batık oranları minimum seviyeye gelebilecektir. Çalışma kapsamında model validasyon testleri gerçekleştirilmiş ve fazladan örneklem kitlesi için model performansının XGBoost algoritması ile en açıklayıcı sonuçları sağladığı tespit edilmiştir.
Açıklama
Anahtar Kelimeler
Income Estimation Model, Machine Learning, Credit Risk, Boosting, Bagging, Non Performing Loans, Gelir Tahmin Modeli, Makine Öğrenmesi, Kredi Riski, Batık Krediler
