Credit Risk Analysis based on Hybrid Classification: Case Studies on German and Turkish Credit Datasets

Abstract

— Kredi risk analizi, karar verme süreçleri açısından finans sektöründe önemli bir rol oynamaktadır. Bankalar ve finansal kuruluşlar, müşterilerinden büyük ölçeklerde ham veri toplamaktadırlar. Veri madenciliği teknikleri, bu ham veri içerisinden kullanışlı bilgiler edinmek amacıyla kullanılabilir. Destek-vektörleri, yapay sinir ağları ve bayesian yaklaşımı bu alanda hali hazırda kullanılan sınıflandırma yöntemleridir. Bu çalışmada, farklı tekil sınıflandırma yöntemlerinin bir araya getirilerek hibrid bir yaklaşımla, sınıflandırma sonuçlarının doğruluğunun arttırılması hedeflenmiştir. Farklı kombinasyonlar ayrıca sınıflandırma yetkinliği açısından performans karşılaştırılmasına tabi tutulmuştur. Hem Alman kredi veriseti hem de ulusal bir bankadan alınan veriseti üzerinde ilgili yaklaşım çalıştırılmış ve yöntemin genelleştirilebilme özelliğinin görülmesi de amaçlanmıştır. Deney sonuçları, özellik seçiminin sınıflandırma başarımı ve hesaplama zamanı açısından çok önemli olduğunu, hibrid yaklaşımın tekil sınıflandırma yöntemlerine göre sınıflandırma doğruluğu açısından daha iyi sonuçlar verdiğini ve son olarak radial-basis fonksiyonu ile birlikte kullanıldığında destek-karar vektörlerinin hem tekil hem hibrid yaklaşımlar içerisinde en iyi sınıflandırma başarımına sahip olduğunu göstermiştir.— In finance sector, credit risk analysis plays a major role in decision process. Banks and finance institutions gather large amounts of raw data from their customers. Data mining techniques can be employed to obtain useful information from this raw data. Several data mining techniques, such as support-vector machines (SVM), neural networks, naive-bayes, have already been used to classify customers. In this paper, we propose hybrid classification approaches, which try to combine several classifiers and ensemble learners to boost accuracy on classification results. Furthermore, we compare these approaches’ performance with respect to their classification accuracy. We work with two diverse datasets; namely, German credit dataset and Turkish bank dataset. The goal of using such diverse dataset is to show generalization capabality of our approaches. Experimental results provide three important consequences. First, feature selection stage has a major role both on result accuracy and calculation complexity. Second, hybrid approaches have better generalability over single classifiers. Third, using SVM-Radial Basis Function (RBF) as the base classifier and a hybrid model member gives the best accuracy and type-1 accuracy results among others.