Fatma ÇINAR, MBA Capital Markets Board of Turkeye-mail: fatma.cinar@spk.gov.tr @fatma_cinar_ftm, @TRUserGroup

C. Coşkun KÜÇÜKÖZMEN, PhD e-mail: coskun.kucukozmen@ieu.edu.tr @ckucukozmen @RiskLabTurkey

Kutlu MERİH, PhD e-mail: kutmerih@gmail.com @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.

İletişimkutmerih@gmail.com

kutlu@merih.netcoskun.kucukozmen@ieu.edu.trhttp://www.ieu.edu.tr/tr coskunkucukozmen@gmail.comhttp://www.coskunkucukozmen.comfatma.cinar@spk.gov.tr

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