A Modular Approach For Smes Credit Risk Analysis
Summary:
Credit risk analysis is a challenging problem in financial analysis domain. It aims to estimate the risk occurred when a customer is granted. The risk estimation depends on both customer behavior and economical condition. The challenge is how the credit expert will determine which information should be collected from applicants, under which condition a customer will be classified as good and how much risk will be taken if the credit is granted to the customer. Consequently, credit experts need intelligent customer-specific risk analysis modules to support them when they make these decisions. In this thesis, we present a cascaded multilayer perceptron (MLP) rule extractor and a logistic regression (LR) model a for real-life Small and Medium Enterprises (SMEs). In the preprocessing phase, the features of Turkish SME database are selected by decision tree (DT), recursive feature extraction (RFE), factor analysis (FA) and principal component analysis (PCA) methods. The best feature set is obtained by RFE. In the first module, the classifier is selected among MLP, k-nearest neighbor (KNN) and support vector machine (SVM). The optimal classifier is obtained as MLP and the following modules are built on MLP. For classification purpose, MLP is followed by neural rule extractor (NRE) in the second module. NRE reveals how the decision is made for customers as being ?good?. For the probability of default estimation (PD), we propose a cascaded MLP which is followed by a LR model in the third module. MLP-LR model is followed by clustering method in the last module for scorecard development purpose. In experiments, confidential Turkish SME database is used. The cascaded MLP-LR model provides high accuracy rate and outperforms commonly used classical LR
Özet:
Kredi risk analizi, finansal alanda ilgi duyulan problemlerden biridir ve müsteriye kredi verildiğinde olusacak riski tahmin etmeyi hedefler. Risk tahmini hem müsteri davranısına, hem de ekonomik duruma bağlıdır. Buradaki zorluk, kredi uzmanlarının müsterilerden hangi verileri toplaması gerektiği, hangi kosullarda müsterilerin iyi olarak sınıflandırıldığı ve müsteriye kredi verildiğinde ne kadar risk alındığının tahmin edilmesidir. Bu nedenle, kredi uzmanları ilgili kararları verirken müsteri tipine özel risk analiz modüllerine ihtiyaç duyarlar. Bu tezde, gerçek Küçük ve Orta Boylu ?sletmeler (KOBI) için, kademeli çok tabakalı yapay sinir ağı-sinirsel kural çıkarıcı ve lojistik regresyon modeli sunuyoruz. Önhazırlık asamasında, KOBI veritabanının öznitelikleri; karar ağacı, özyinelemeli öznitelik çıkarıcı, faktör analizi ve temel bilesen analizi ile seçiliyor. En iyi öznitelik kümesi özyinelemeli öznitelik çıkarıcı ile elde ediliyor. Ilk modülde, sınıflama metodu çok tabakalı yapay sinir ağı, k-yakin komsu ve destek vektör makinesi arasından seçilmistir. Optimal sınıflayıcı olarak çok tabakalı yapay sinir ağı elde edilmis ve takip eden modüller bunun üzerine kurulmustur. Ikinci modülde, sınıflandırma amacıyla çok tabakalı yapay sinir ağını sinirsel kural çıkarıcı takip etmektedir. Sinirsel Kural Çıkarıcı, müsteriler için ?iyi? kararının nasıl verildiğini ortaya çıkarır. Temerrüt olasılığının tahmin edilmesi için, üçüncü modülde, lojistik regresyon tarafından takip edilen kademeli çok tabakalı yapay sinir ağı modelini öneriyoruz. Son modülde, skor kartı elde etmek için, çok tabakalı yapay sinir ağı-lojistik regresyon modeli kümeleme metodu tarafından takip edilmistir. Deneylerde, özel Türk KOBI veritabanı kullanılmıstır. Kademeli çok katmanlı yapay sinir ağı-lojistik regresyon modeli yüksek doğruluk oranı sağlamaktadır ve genel olarak kullanılan klasik lojistik regresyondan daha üstündür.