Uyarlanabilir sinirsel bulanık çıkarım sistemi tabanlı alternatif bir kredi derecelendirme yönteminin geliştirilmesi

Abstract

Kredi derecelendirmenin ülkeler için hayati önem taşıdığı günümüzde, kredi derecelendirmeyi etkileyen faktörlerin neler olduğu ve bu faktörlerle istatistik, bulanık mantık ve sinir ağları tabanlı bir derecelendirme sisteminin nasıl geliştirileceği bu çalışmanın problemini oluşturmaktadır. Çalışmada kredi derecelendirmeyi etkileyen değişkenler literatür araştırması ile belirlenmiş olup adımsal regresyon analizi ile değişken azaltımı yoluna gidilmiştir. Adımsal regresyon analizi sonucu belirlenen değişkenler, lojistik regresyon (Lojit) analizi için bağımsız, yapay sinir ağı ve ANFIS (Adaptive Neuro Fuzzy Inference System) modeli için girdi değişkenlerini oluşturmuştur. Analizlerde modellerin karşılaştırmalı olarak değerlendirmesi yapılmış ve ANFIS modelin kredi notu tayini için en uygun model olduğuna karar verilmiştir. ANFIS model ile kredi notu olmayan ülkeler için not tayini gerçekleştirilmiş, ülkelerin gelişmişlik düzeyleri ile tahmin edilen notlar karşılaştırılmış ve çok büyük oranda tutarlı olduğu tespit edilmiştir.

The main research question of this dissertation is to determine the factors affect credit rating and develop credit rating system based on statistics, fuzzy logic and artificial neural network. Variables that affect credit rating in this study used, determined with the literature review and reduced the number of them by using stepwise regression analysis. The variables, determined by using stepwise regression analysis, used as independent variables for logistic model and used as input variables for ANN and ANFIS model. After that the models evaluated and compared each other, as a result the ANFIS model was chosen as the best model to forecast credit rating. Rating determination was made for the countries that haven't had credit rating and forecasted rating compared with the development levels of countries. Consequently, the ANFIS model made consistent, reliable and successful forecasts for the countries.