TFRS 9 ve Temerrüt Olasılığı Modellemesi

Bu makalede, 01 Ocak 2018’de yürürlüğe giren Finansal Araçlar Raporlama Standardının bankacılığa etkisi temerrüt olasılığı bağlamında ele alınmıştır. Standart gereği, bankaların beklenen kredi zararı hesaplamasında kullanılmak üzere raporlama döneminden sonraki on iki ayda ve kredi ömrü boyunca müşteriler için temerrüt etme olasılıklarının hesaplanması gerekmektedir. Temerrüt olasılığının hesaplanmasında kullanılan modellerde lojistik regresyon yaygın olarak kullanılan bir tekniktir. Çalışmada gerçek bir veri seti ile lojistik regresyon uygulanarak temerrüt olasılığı hesaplama süreci aşama aşama anlatılmaya çalışılmıştır. 

___

  • Agresti, A. (2013). Categorical Data Analysis. Third Edition. New Jersey: John Wiley & Sons, Inc. Alpar, R. (2017). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. 5. Baskı. Ankara: Detay Yayıncılık.De George, E, T., Li, X. & Shivakumar, L. (September 2016). A review of the IFRS adoption literature. Review of Accounting Studies. 21(3): 898-1004.Harrell, F., E. (2001). Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression and Survival Analysis, New York: Springer.Kamu Gözetim Kurumu. 2018. TFRS 9 Finansal Araçlar (2017 Sürümü). Erişim Tarihi: 17.01.2018. http://www.kgk.gov.tr/DynamicContentDetail/7890/TMS/TFRS-2018-Seti.Karagöz, Y. (2016). SPSS 23 ve Amos 23 Uygulamalı İstatistiksel Analizler. Ankara: Nobel.Kleinbaum, D., G., Klein, M. (2002). Logistic Regression A Self-learning Text. New York: Springer.Saltoğlu, M. (Mart 2016). UFRS 9 ve Beklenen Kredi Zararları Modeli. Muhasebe Bilim Dünyası Dergisi. 18(1): 51-67.Sıddıqi, N. (2017). Intelligent Credit Scoring: Building and Implementing Better Credit Risk Scorecards, 2nd Edition. New Jersey: John Wiley & Sons, Inc.Tabachnick, B., G., Fidel, L., S., (2015). Çok Değişkenli İstatistiklerin Kullanımı. Altıncı Basımdan Çeviri. Ankara: Nobel.Turanlı, M., Güriş, S. (2018). Temel İstatistik. 7. Basım. İstanbul: Der Yayınları.