Temerrüt halinde kayıp tahminlemesi için denetimli ve denetimsiz öğrenme yöntemlerinin birlikte kullanılması

Abstract

Küresel Ekonomik krizler Bankacılık sektöründe mevcut ve ileriye dönük kredi riskinin doğru ölçülmesi ihtiyacını beraberinde getirmiştir. Bu çerçevede uzlaşılan Basel kararları ile kredi riskine ilişkin Temerrüt Olasılığı (PD), Temerrüt Tutarı (EAD) ve Temerrüt Halinde Kayıp (LGD) gibi risk ölçüm modelleri geliştirilmiştir. Bu modeller sermaye yeterlilik rasyosunun yanı sıra TFRS9 raporlama standartları kapsamında sorunlu kredi karşılık hesaplamalarını da etkilemiştir. Sermaye yeterlilik rasyosu Banka sermayesinin risk ağırlıklı varlıklara oranıdır. Risk ağırlıklı varlıkla ile banka yükümlülüklerinin kayıp riskine esas tutar bulunmaya çalışılır. Bu tutarın hesaplamasında en önemli girdilerden biri temerrüt halinde kayıp oranının (LGD) tahmin edilmesidir. SYR hesaplamaları ile sermeye yeterliliği belirlendiğinden kullanım amacına uygun olarak kısa vadeli konjektörel hareketlerden etkilenmemesi gerekir bu sebep en az bir ekonomik döngü içerisinde yer alan (en az 7 yıl) panel veriler kullanılmalıdır. TFRS9 raporlamasında ise farklı olarak anlık risklerin hesaplanması esastır. Bu nedenle kullanılan panel veri zaman derinliğinden (en fazla 4 yıl) çok yatay genişliği kapsayıcılığı önemlidir. Kredi riski hesaplamasında kullanılan diğer iki bileşen olan PD ve EAD modelleri için oldukça yaygın bir uygulama ve literatür oluşmasına rağmen LGD modelleri için hem veri hazırlama hem de modelleme tekniği zorlukları sebebiyle bu durum söz konusu değildir. PD ve EAD modelleri için sıklıkla LOGIT Regresyon veya karar ağacı yöntemleri kullanılırken, LGD modelleri için kısıtlı bir litaratürle birlikte uygulamada sadece karar ağacı yöntemleri uygulanmıştır. LGD verisi bir müşterinin borçlarını olağan süreçte ödeyemez hale geldikten sonra bankanın alacaklarının ne kadarını tahsil edebileceğini ve bu tahsilatlarının zaman periyodunda ki hareketlerini tahmin etmeye çalışır Ancak panel veri tipine karar ağacı yöntemlerinin uygulanmasında ki zorluklar sebebiyle veri kayıplarına katlanılarak veri basitleştirmelerine gidilmektedir. Bu çalışmada, LGD modellerinde yapılan yaklaşımların eksik yönleri gösterilerek yenilikçi yöntemler önerilmektedir.