Date post: | 14-Apr-2017 |
Category: |
Economy & Finance |
Upload: | kutlu-merih |
View: | 281 times |
Download: | 3 times |
Fatma ÇINAR, MBA Capital Markets Board of Turkeye-mail: [email protected] @fatma_cinar_ftm, @TRUserGroup
C. Coşkun KÜÇÜKÖZMEN, PhD e-mail: [email protected] @ckucukozmen @RiskLabTurkey
Kutlu MERİH, PhD e-mail: [email protected] @cortexien https://www.riskonomi.com
VERI GORSELLESTIRME ILE RISK YONETIMI
GRAFIK DATAMINING ANALITIGI
RISK RAPORU
Yönetici Özeti Günümüz yazılım teknolojisi büyük veri
setlerinin içindeki gizli ilişkileri görsel olarak analiz edebilmemize olanak sağlar.
Bu rapor finansal verilerdeki temerrüt ve performansın ileri grafik yazılımları ile nasıl kolay anlaşılabilecek görsel hale getirildiğini sergiliyor.
Bu teknikle RİSK Tek Boyutlu bir Sayı değil Çok Boyutlu bir Profil olarak görülebiliyor
Raporun TanımıTurkiye 12 NUTS Bölgesi 81 ilinde ve
Türkiye Genelinde 2010-2015 zaman diliminde verilen ENERJI kredilerinin Temerrüt durumu
Raporu Rapor ENERJI Kredilerinde yaşanan
riskin Zaman ve Mekan üzerindeki dağılımını değerlendirmeyi
amaçlamaktadırRaporlarımıza gözlediğimiz ilginç bir
durum verilerin zaman üzerinde stabil fakat mekan üzerinde volatil
olmasıdır.
Risk RaporuAnalitik Tanımlar
Burada Grafik Datamining tekniği ile bir verisetinin
(FINTURK) analiz edilerek raporlanmasının temel kavramları anlatılacak.
Raporun Tekniği Özel olarak geliştirdiğimiz R yazılım
paketlerinden yararlanan Grafik Datamining teknolojisi ile Finansal veri setlerinde zaman
mekan ve diğer faktörlerin risk ve performans üzerindeki etkisini analiz
edebilmekteyiz. Bu teknik ceşitli OR ve Finans kongrelerinde
Akademik camiaya sunulmuş görsel medyada kamuoyu ile paylaşılmıştır.
Bu çalışmalar KAYNAK kısmında verilmektedir
Veriseti Kaynağı : BDDK FINTURK
Veri kaynağımız BDDK sitesinde sunulan FINTURK kredi ve temerrüt veri setleridir
FINTURK download edilip excel formatında database haline dönüştürülmüş ve bunlara NUTS faktörleri ve diğer bilgiler eklenmiştir.
Yazılım verileri excel dosyasından okuyup faktörize edilmiş anlamlı grafikler haline dönüştürebilmektedir.
Bu veri seti bundan sonra “dataset” olarak anılacaktır.
Değişkenler : names(dataset) [1] "NYIL" "SYIL" "DONEM" "SEHIR" [5] "SEHIRKOD" "NBOLGE" "BOLGE" "NUTS3KOD" [9] "NUTS2KOD" "NUTS1KOD" "NUTS1BOLGE" "SEKTOR" [13] "GRUP" "NAKKREDI" "GNAKDIKREDI" "TOPNAKKREDI"
[17] "TASIT" “KONUT” "KMH" "KREDIKART" [21] "GIDA" "INSAAT" "METAL" "FINANSAL" [25] "TEKSTIL" "TOPTICARET" "TURIZM" "ZIRAAT" [29] "ENERJI" "DENIZCILIK" "DIGERTUKETICI" "TAKIPALACAK"
[33] "TAKIPKREDIKART" "TAKIPTASIT" "TAKIPKONUT" "TAKIPDIGTUKETICI" [37] "TAKIPGIDA" "TAKIPINSAAT" "TAKIPMETAL" "TAKIPFINANSAL" [41] "TAKIPTEKSTIL" "TAKIPTOPTICARET" "TAKIPTURIZM" "TAKIPZIRAAT" [45] "TAKIPENERJI" "TAKIPDENIZCILIK" "GNAKDIGIDA" "GNAKDIINSAAT" [49] "GNAKDIMETAL" "GNAKDIFINANSAL" "GNAKDITEKSTIL" "GNAKDITOPTICARET" [53] "GNAKDITURIZM" "GNAKDIZIRAAT" "GNAKDIENERJI"
"GNAKDIDENIZCILIK"
Türkiye NUTS Bölgeleri(Nomenclature of Territorial Units for Statistics, NUTS)
Wednesday, May 3, 2023
NUTS-1:12 Türkiye Bölgesi
NUTS-1: 12 Bölgeler NUTS-2: 26 Alt
Bölgeler NUTS-3: 81 Şehirler
1. AKDENIZ 2. BATI ANADOLU 3. BATI KARADENIZ 4. BATI MARMARA 5. DOGU KARADENIZ 6. DOGU MARMARA 7. EGE BOLGESI 8. GUNEYDOGU ANADOLU 9. ISTANBUL 10. KUZEYDOGU ANADOLU 11. ORTA ANADOLU 12. ORTADOGU ANADOLU
Wednesday, May 3, 2023
İstanbul Region
West Marmara
Region
Aegean Region
East Marmara
West Anatolia Region
Mediterranean Region
Anatolia Region
West Black Sea Region
East Black Sea Region
Northeast Anatolia Region
East Anatolia Region
Southeast
Anatolia
İstanbul (Subregion)
Tekirdağ (Subregion)
İzmir (Subregion)
Bursa (Subregion)
Ankara (Subregion)
Antalya (Subregion)
Kırıkkale (Subregion)
Zonguldak (Subregion)
Trabzon (Subregion)
Erzurum (Subregion)
Malatya (Subregion)
Gaziantep
(Subregion)
Edirne Aydın (Subregion) Eskişehir Konya
(Subregion) Isparta Aksaray Karabük Ordu Erzincan Elazığ Adıyaman
Kırlareli Denizli Bilecik Karaman Burdur Niğde Bartın Giresun Bayburt Bingöl Kilis
Balıkesir (Subregion) Muğla Kocaeli
(Subregion) Adana (Subregion) Nevşehir Kastamonu
(Subregion) Rize Ağrı (Subregion) Dersim
Şanlıurfa
(Subregion)
Çanakkale Manisa (Subregion) Sakarya Mersin Kırşehir Çankırı Artvin Kars Van
(Subregion)Diyarba
kır
A.Karahisar Düzce Hatay (Subregion)
Kayseri (Subregion) Sinop Gümüşhane Iğdır Muş
Mardin (Subreg
ion)
Kütahya Bolu Kahramanmaraş Sivas Samsun (Subregion) Ardahan Bitlis Batman
Uşak Yalova Osmaniye Yozgat Tokat Hakkari Şırnak
Çorum Siirt
Amasya
1 Province 5 Province 8 Province 8 Province 3 Province 8 Province 8 Province 10 Province 6 Province 7 Province 8 Province9
Province
FINTURK Sektörel Krediler Dataseti ile Grafik DataMining Analizi
Veri setleri üzerinde Real Time Interaktif Grafiksel Veri Görselleştirme ile Etki-Performans Analizi
Teknik: R yazılımı #ggplot2 Paketi ile Grafik
DataMining Grafik DataMining geleceğin en yaygın
görsel analiz tekniği olacaktır.
Grafik Stilleri R ggplot2 paketi geom() fonksiyonları ile
çok sayıda grafik alternatifine olanak sağlar.
Bu rapor çalışmasında etkinlik için ggplot2 geom fonksiyonları ile sadece dört grafik stilini kullanacağız.1. Scatterplot geom_point()2. Densityplot geom_density()3. Violinplot geom_violin()4. Facetplot facet_grid()
Scatter Grafik Tanımı: geom_point()
Scatter (saçılım) grafikleri bildiğimiz xy grafikleridir.
Buradaki özellik bu grafikleri faktörlere göre renklendirebiliyor ve üçüncü z değişkenine göre balonlayabiliyoruz
X ve Y log10 olacak
Density Grafik Tanımı: geom_density()Density Grafikleri
histogramların sürekli versiyonudur. Tek bir nümerik değişkeni frekansına göre grafikler
Tek başına sınırlı enformasyon veren density grafikleri faktörize edildikleri zaman anlamlı bulgular sağlayabilir.
Density grafiklerinin tekli veya çoklu tepe noktalarından gizli faktörlerin etkisini belirleyebiliriz.
Violin Grafik Tanımı: geom_violin()Violin Grafiklere 2-Boyutlu
Density grafikleri olarak bakabiliriz.
Violin Grafiğin ekseni X değişkenininin medyan değerini belirler
Y değişkeni ise bu medyan etrafında hangi değerin daha sık gözlendiğidir.
Y değişkeni bir kaybı gösterdiğinde violin grafiği bir Risk Profili oluşturur.
Mantar, Çömlek ve Şişe Risk ProfilleriViolin Risk Grafikleri
genellikle Mantar, Çömlek ve Şişe formlarında görülür.
Mantar formasyonu risk in bağımlı değişkenin yüksek montanlarında oluştuğunu gösterir.
Çömlek de risk orta değerlerde gözlenmektedir.
Şişe de ise risk düşük mertebelerde yoğunlaşmıştır.
Power Law Grafiklerinin Tanımı Finansal veriler için genelde
çifte log eksen kullanılır ve Lineer Smooth regresyonu ile Power Law Analizi yan ürün olarak elde edilir LogY = a.LogX + b
Burada a Risk Ölçüsüdür ve her X,Y çifti için aynıdır.
Power Law riskin ölçekten bağımsız (scale free) olduğu anlamına gelir.
Regresyonun lineer doğruya yakınlığı veride PL gösterir
Facet (Matriks) Grafiklerin Tanımı: facet_grid()
ggplot2 paketinin facet_grid() fonksiyonu 2-boyutlu Matriks grafikler elde etmemizi sağlar.
Matriks grafikler ayrıca balonlanıp faktörize edildiğinde ¾- boyutlu grafikler elde edebiliriz.
Bu grafikler faktörlerin etkilddiği anomalileri tesbit etmemizi sağlar.
İletiş[email protected]
[email protected]@ieu.edu.trhttp://www.ieu.edu.tr/tr [email protected]://[email protected]
http://www.spk.gov.tr/
http://www.riskonomi.com
@TRUserGroup@CORTEXIEN@Riskonometri@Riskonomi@datanalitik@Riskanalitigi@RiskLabTurkey@fatma_cinar_ftmtr.linkedin.com/in/fatmacinartr.linkedin.com/pub/kutlu-merihtr.linkedin.com/in/coskunkucukozmen
Kaynaklar Küçüközmen, C. C. Ve Çınar F., (2014). “Finansal Karar Süreçlerinde
Grafik-Datamining Analizi”, TROUGBI/DW SIG, Nisan 2014 İstanbul, http://www.troug.org/?p=684
Küçüközmen, C. C. ve Çınar F., (2014). “Görsel Veri Analizinde Devrim” Söyleşi, Ekonomik Çözüm, Temmuz 2014, http://ekonomik-cozum.com.tr/gorsel-veri-analizinde-devrim-mi.html.
Küçüközmen, C. C. ve Merih K., (2014). “Görsel Teknikler Çağı" Söyleşi, Ekonomik Çözüm, Temmuz 2014, http://ekonomik-cozum.com.tr/gorsel-teknikler-cagi.html
Küçüközmen, C. C. and Çınar F., (2014). “Banking Sector Analysis of Izmir Province: A Graphical Data Mining Approach”, Submitted to the 34th National Conference for Operations Research and Industrial Engineering (YAEM 2014), Görükle Campus of Uludağ University in Bursa, Turkey on 25-27 June 2014.
Küçüközmen, C. C. and Çınar F., (2014). “New Sectoral Incentive System and Credit Defaults: Graphic-Data Mining Analysis”, Submitted to the ICEF 2014 Conference, Yıldız Technical University in İstanbul, Turkey on 08-09 Sep. 2014.
Küçüközmen, C. C. and Çınar F., (2015). “Visual Anaysis of Electricity Demand Energy Dashboard Graphics” Submitted to the 5th Multinational Energy and Value Conference May 7-9, 2015 Kadir Has University in İstanbul, Turkey
Merih, K. C. and Çınar F., (2015). “Sectoral Loans Default Chart of Turkey ”, Submitted to 35th National Operations Research and Industrial Engineering Congress (ORIE 2015) 09-11,September, 2015,Middle East Technical University, Ankara, Turkey