Ülke Kredi Notlarının Makine Öğrenme Algoritmaları ile Tahmini

Amaç – Bu çalışmanın temel amacı makine öğrenme algoritmalarından yapay sinir ağları, sinirsel bulanık mantık denetim ve destek vektör makinelerinin ülke kredi notu tahminindeki başarılarını araştırmaktır. Yöntem – Araştırma problemi ülkelerin kredi puanlarının tahminini bir sınıflandırma problemi olarak ele almaktadır. Seçilen değişkenler ilgili algoritmalar için girdi olarak kullanılmış ve bu algoritmaların sınıflandırma başarıları araştırılmıştır. Kullanılan veri seti ülkelere ait 2016-2018 dönemini kapsayan üç yıllık güncel verilerdir. Bulgular – Kullanılan algoritmaların parametre seçimi için çok sayıda deneme yapılmış ve uygun parametre kümeleri belirlenmeye çalışılmıştır. Araştırma sonuçlarına göre, her üç modelin de tahmin başarısı yüksek olmakla birlikte çok güçlü bir sınıflandırma algoritması olan destek vektör makineleri en iyi sonuçları üreten algoritma olmuştur. Tartışma – Tüm modellerin sınıflandırma başarısının kabul edilebilir olduğunu, kredi notu tayini için kullanılabilecek modeller olduklarını söylemek mümkündür. Örneğin Leshno ve Spector, (1996) çalışmasında YSA modelinin doğru tahmin yüzdesi %72 olarak, Mohapatra, De, ve Ratha, (2010) çalışmasında %75 olarak, Blanco ve diğerleri (2013) çalışmasında ise %92,4 olarak gerçekleşmiştir. Literatürdeki çalışmalarla karşılaştırıldığında analiz sonuçlarının başarılı olduğu görülmektedir.

Estimating Sovereign Credit Rating by Using Machine Learning Algorithm

Purpose – The main objective of this study is to investigate the success of artificial neural networks, adaptive neuro fuzzy inference system and support vector machines in sovereign credit rating estimation. Design/methodology/approach – The research problem addresses the estimation of countries' credit scores as a classification problem. Selected variables were used as input for mentioned algorithms and classification success of these algorithms was investigated. The data set used is the current three-year data covering the 2016-2018 period of the countries. Numerous attempts were made to select the parameters of the algorithms used and the appropriate parameter sets were tried to be determined. Findings – According to the research results, although the predictive success of all three models is high, support vector machines was determined as the best classifier algorithm which produces the best results. Discussion – It is possible to say that the performance of the prediction of all models is acceptable and they are the models that can be used for sovereign credit rating prediction. For example, in the study of Leshno and Spector, (1996) the predicted performance of ANN model was 72%, in Mohapatra, De, and Ratha, (2010) was 75% and in Blanco et al. (2013) was 92.4%. It is seen that the results of the analysis are successful compared to the studies in the literature.

PDF

___

Bennel, vd., (2006). “Modelling Sovereign Credit Ratings: Neural Networks Versus Ordered Probit”, Expert Systems with Applications, Sayı: 30, 415–425, https://doi.org/10.1016/j.eswa.2005.10.002.
Binici, M. ve Hutchison, M., (2018). “Do credit rating agencies provide valuable information in market evaluation of sovereign default Risk?”, Journal of International Money and Finance, Sayı: 85, 58-75, https://doi.org/10.1016/j.jimonfin.2018.04.001.
Bissoondoyal-Bheenick, E:, (2005). “An Analysis of the Determinants of Sovereign Ratings”. Global Finance Journal, Cilt: 15, Sayı: 3, 251-280, https://doi.org/10.1016/j.gfj.2004.03.004.
Blanco, Antonio vd., (2013). “Credit scoring models for the microfinance industry using neural networks: Evidence from Peru”, Expert Systems with applications, Cilt: 40, Sayı: (1), 356-364, https://doi.org/10.1016/j.eswa.2012.07.051.
Bundala, N., (2012). “Do Economic Growth, Human Development and Political Stability Favour Sovereign Creditworthiness of a Country? A Cross Country Survey on Developed and Developing Countries”. MPRA Paper, 47626, 1-16.
Busse, M. ve Hefeker, C., (2007). “Political Risk, Institutions and Foreign Direct Investment”. European Journal of Political Economy, Cilt: 23, 397–415, https://doi.org/10.1016/j.ejpoleco.2006.02.003
Butler, A. W., ve Fauver, L., (2006). “Institutional Environment and Sovereign Credit Ratings”, Financial Management, Cilt: 35, Sayı: 3, 53-79, https://doi.org/10.1111/j.1755-053X.2006.tb00147.x.
Cantor, R. ve Packer, F., (1996). “Determinants and Impact of Sovereign Credit Ratings”. Economic Policy Review, Cilt: 2, Sayı:2, 37-54.
Depken, C., (2006). “Corruption and Creditworthiness: Evidence from Sovereign Credit Ratings”, SSRN Working Paper Series (http://ssrn.com/abstract=899414).
Elkhoury, M., (2008). “Credit Rating Agencies and Their Potential Impact on Developing Countries”. United Nations Conference on Trade and Development, Sayı: 186, 165-180.
Elmas, Ç., (2011). Yapay Zeka Uygulamaları. Ankara: Seçkin Yayınevi.
Fuller, R., (1995). Neural Fuzzy Systems. Abo Akademi University, ISBN 951-650-624-0, ISSN 0358-5654.
Hajek, P., ve Krzysztof, M., (2013). “Feature Selection in Corporate Credit Rating Prediction”, Knowledge-Based Systems, Cilt: 51, 72-84, https://doi.org/10.1016/j.knosys.2013.07.008.
Jang, J. S. R., (1991). “Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm”, AAAI Proceeding, Cilt: 91, Sayı: 2, 762-767.
Jang, J. S. R., (1993). “ANFIS: Adaptive-Network-Based Fuzzy Inference System”, IEEE Transactions on Systems, Man and Cybernetics, Cilt: 23, Sayı: 3, 665-685.
Jang, J. S. R., (1996). “Input Selection for ANFIS Learning”. Proceedings of the Fifth IEEE International Conference on Fuzzy Systems, Cilt: 2, Sayı: 1, 1493-1499.
Khemchandani, R., ve Jayadeva, C. S., (2009). “Knowledge based proximal support vector machines”, European Journal of Operational Research, Cilt: 195, 914–923, https://doi.org/10.1016/j.ejor.2007.11.023.
Li, W. vd. (2012). “Evaluation of Driver Fatigue on Two Channels of EEG Data”. Neuroscience Letters, Cilt: 506, Sayı: 2, 235-239, https://doi.org/10.1016/j.neulet.2011.11.014.
Pabuçcu, H. (2015). Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi Tabanlı Alternatif Bir Kredi Derecelendirme Yönteminin Geliştirilmesi. Karadeniz Teknik Üniversitesi SBE- Yayınlanmamış Doktora Tezi.
Mohapatra, S., vd., (2011). “Shadow Sovereign Ratings for Unrated Developing Countries”, World Development, Cilt: 39, Sayı: 3, 295-307, https://doi.org/10.1596/1813-9450-4269.
Reusens, P., ve Cristophe, C., (2017). “Sovereign credit rating determinants: A comparison before and after the European debt crisis”, Journal of Banking & Finance, Cilt: 77, 108-121. https://doi.org/10.1016/j.jbankfin.2017.01.006.
Roychoudhury, S., ve Lawson, R. A., (2010). ”Economic Freedom and Sovereign Credit Ratings and Default Risk”, Journal of Financial Economic Policy, Cilt: 2, Sayı: 2, 149-162, https://doi.org/10.1108/1757638101107.
Takagi, T., ve Sugeno, M., (1985). “Fuzzy Identification of Systems and Its Applications to Modeling and Control”, IEEE Transactions on Systems, Man and Cybernetics, Sayı: 1, 116-132.
Williams, G., vd., (2013). “The Impact of Sovereign Rating Actions on Bank Rating in Emerging Markets”, Journal of Banking and Finance, Cilt: 37, Sayı: 1, 563-577, https://doi.org/10.1016/j.jbankfin.2012.09.021.
Xu, X., vd., (2009). “Credit scoring algorithm based on link analysis ranking with support vector machine”, Expert Systems with Applications, Sayı: 36,. 2625–2632, https://doi.org/10.1016/j.eswa.2008.01.024 .
Yu, L., vd., (2008). “Forecasting Crude Oil Price with an Emd-Based Neural Network Ensemble Learning Paradigm”. Energy Economics, Cilt: 30, Sayı: 5, 2623-2635, https://doi.org/10.1016/j.eneco.2008.05.003.