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

1. Fatma ÇINAR, MBA Capital Markets Board of Turkey
e-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
RISK RAPORU (kısaltılmış)

2.  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

3. Turkiye 12 NUTS Bölgesi 81 ilinde ve
Batı Anadolu Bölgesinde 2012-2014
zaman diliminde verilen Taşıt kredilerinin
Temerrüt durumu Raporu
Bu rapor 2012-2015 dönemini kapsayacak
şekilde kısaltılmıştır
Esas Rapor 12 NUTS Bölgesi 81 şehir
2010-2015 dönemi için sunulacaktır.

4.  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

5.  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.

6.  [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"

7. Friday, November 20, 2015

8.  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

9. Friday, November 20, 2015
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
Southea
st
Anatoli
a
İstanbul
(Subregion)
Tekirdağ
(Subregion)
İzmir
(Subregion)
Bursa
(Subregion)
Ankara
(Subregion)
Antalya
(Subregion)
Kırıkkale
(Subregion)
Zonguldak
(Subregion)
Trabzon
(Subregion)
Erzurum
(Subregion)
Malatya
(Subregion)
Gaziant
ep
(Subreg
ion)
Edirne
Aydın
(Subregion)
Eskişehir
Konya
(Subregion)
Isparta Aksaray Karabük Ordu Erzincan Elazığ
Adıyam
an
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
Şanlıurf
a
(Subreg
ion)
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 Province
9
Provinc
e

10.  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.

11.  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()

12. Scatter (saçılım) grafikleri
bildiğimiz xy grafikleridir.
Buradaki özellik bu grafikleri
faktörlere göre
renklendirebiliyor ve
üçüncü z değişkenine
göre balonlayabiliyoruz
X ve Y log10 olacak

13. 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.

14. 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.

15. Violin 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.

16. 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

17. 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.

110.  FINTURK data setine Grafik Datamining
Tekniğini uygulayarak Bütün Türkiye nin NUTS
Bölgelerinde ve Batı Anadolu Bölgesinde
dağıtılan ve takibe düşen Taşıt Kredilerinin risk
profillerinin bölgelere, şehirlere, yıllara ve
dönemlere göre nasıl değiştiğini görsel olarak
izledik.
 Bu teknik bize risk profilleri üzerinde bu
faktörlerin önemli ve anlamlı etkileri olduğunu
gösterdi

111. kutmerih@gmail.com
kutlu@merih.net
coskun.kucukozmen@ieu.edu.tr
http://www.ieu.edu.tr/tr
coskunkucukozmen@gmail.com
http://www.coskunkucukozmen.com
fatma.cinar@spk.gov.tr
http://www.spk.gov.tr/
http://www.riskonomi.com
@TRUserGroup
@CORTEXIEN
@Riskonometri
@Riskonomi
@datanalitik
@Riskanalitigi
@RiskLabTurkey
@fatma_cinar_ftm
tr.linkedin.com/in/fatmacinar
tr.linkedin.com/pub/kutlu-merih
tr.linkedin.com/in/coskunkucukozmen

112.  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