Zaman serilerinde anomali tespiti : banka kredileri uygulaması

Abstract

Kredi mekanizması, bankacılık sektörünün reel ekonomiye en önemli katkı araçlarından biridir. Özellikle KOBİ’ler gibi ekonominin dinamik unsurlarına sağlanan krediler hem büyümeyi destekler hem de istihdam oluşturur. Ancak ekonomik dalgalanmalar, politika değişiklikleri ve ani gelişmeler, kredi verilerinde beklenmedik davranışlara yol açabilmektedir. Bu nedenle, olağandışı hareketleri zamanında tespit edebilen analitik yaklaşımlara duyulan ihtiyaç her geçen gün artmaktadır. Bu tez çalışmasında, Türkiye’deki bankacılık sektörü NPL oranlarının genel ve çeşitli kobi kredileri kırılımlarının zaman serileri üzerinde bu olağandışı hareketleri tespit etmek için anomali tespiti gerçekleştirilmiştir. Verilerin tamamı BDDK’nın aylık bülteninden elde edilmiştir. Çalışmada istatistiksel, olasılıksal, makine öğrenmesi ve derin öğrenme temelli olmak üzere dört ana kategoride toplam 10 farklı algoritma kullanılmıştır. Algoritmaların tespit ettiği anormal noktalar görsel olarak incelenmiş ve ekonomik dönemlerle karşılaştırılarak yorumlanmıştır. Bu inceleme, literatürde bankacılık verileri özelinde anomali tespiti çalışmalarının sınırlı olması nedeniyle, algoritmaların kredi dinamiklerindeki geçerliliğini sorgulamak açısından önemlidir. Bu doğrultuda, çalışmanın sonunda farklı anomali türlerine göre önerilen algoritmalar listelenmiştir. Her bir algoritma, ani sıçrama, trend kırılması, ani düşüş gibi anomalileri yakalama başarısı açısından analiz edilmiştir. Elde edilen bulgular, her algoritmanın veri yapısına bağlı olarak farklı düzeyde etkinlik gösterdiğini ortaya koymuştur. Yönetimsel açıdan çalışma, bankalar için erken uyarı sistemlerine veri temelli bir yaklaşım sunmakta; anomali tespiti ise risk yönetimi, model portföy oluşturma ve karar destek sistemlerine entegre edilebilecek stratejik sinyaller üretmektedir. Ayrıca bankalar bu yöntemleri kendi portföylerine uygulayarak sektöre kıyasla daha özgün analizler gerçekleştirebilir. Bu da bankaya özel risk farkındalığı kazandırarak stratejik karar alma süreçlerinde önemli bir katkı sağlar.

The credit mechanism is one of the key instruments through which the banking sector contributes to the real economy. Loans provided especially to dynamic segments of the economy, such as SMEs, not only support growth but also foster employment. However, economic fluctuations, policy changes, and sudden developments can lead to unexpected patterns in credit data. Therefore, there is an increasing need for analytical approaches capable of identifying such anomalies. This study aims to detect anomalies in time series related to the NPL ratios of the Turkish banking sector and various SME loan types. The entire dataset was obtained from monthly bulletins published by the BRSA. Ten different algorithms from four methodological categories—statistical, probabilistic, machine learning, and deep learning—were applied. The anomalies identified by these algorithms were visually examined and interpreted in relation to macroeconomic periods. This visual analysis is particularly valuable given the limited number of anomaly detection studies focusing on banking data. It helps assess the validity of algorithms in capturing patterns within credit dynamics. Accordingly, algorithms recommended for different anomaly types are listed based on their strengths. Each algorithm was analyzed for its performance in detecting outliers, trend shifts, sudden drops, and other unusual movements. The findings reveal that the effectiveness of each method varies depending on the underlying data structure. From a managerial perspective, this study provides a data-driven approach that can support early warning systems, risk management, model portfolio development, and decision-making processes in banks. Moreover, financial institutions can apply these methods to their own portfolios and conduct tailored analyses compared to general sectoral trends. This enables institutions to gain risk awareness and supports more strategic decision-making.