İçeriğe geç
Banking Foundations · 18

Düşük Temerrütlü Portföyler ve Tahmin Belirsizliği

FAZ 5 / 6 · Modeli sorgula
Bu sayfanın sonunda az veriyi kötü modelden, güven aralığını muhafazakârlık payından ve sıfır temerrüdü sıfır riskten ayırabilmelisin.

bir önceki sayfanın testleri burada çalışmaz

17. sayfadaki testlerin hepsi sessiz bir varsayım taşır: elinde yeterince temerrüt var. Bireysel portföyde bu doğrudur — yüz binlerce müşteri, binlerce temerrüt. Ama bankanın model envanterinin önemli bir kısmı böyle değildir.

Düşük temerrütlü portföy (LDP) — kurumsal, banka, egemen, proje finansmanı, büyük KOBİ. Ortak özellikleri: borçlu sayısı az, temerrüt sayısı çok daha az, ve gözlem penceresi uzatıldıkça portföyün kendisi değişiyor. Bu üçlü, "Gini şu çıktı, kalibrasyon tuttu" cümlesini anlamsızlaştırır.

Sorun modelin kötü olması değildir. Sorun, elindeki veriyle modelin iyi olup olmadığını söyleyemiyor olmandır. Bu iki şey aynı değildir ve validasyon raporunda ayrı yazılır.

Somut bakalım. 500 borçlulu bir sınıfta 2 temerrüt gördün: gözlenen oran %0,40. Bu sayının %95 üst sınırı yaklaşık %1,10'dur — yani gerçek PD gözlenenin yaklaşık üç katı olabilir ve veriyle çelişmez. Aynı oranı 5.000 borçluda 20 temerrütle görseydin üst sınır %0,57'ye inerdi. Gözlenen oran aynı, söyleyebildiğin şey tamamen farklı.

sıfır temerrüt, sıfır risk demek değildir

En üst rating sınıflarında çoğu yıl hiç temerrüt gözlenmez. Bu, PD'nin sıfır olduğu anlamına gelmez — yalnızca elindeki örneklemin sıfırdan farklı bir PD'yi görmeye yetmediği anlamına gelir. Sermaye ve karşılık hesabına sıfır PD giremez; hem düzenleyici tabanlar hem sağduyu buna engeldir.

Az veriyle ne söyleyebilirsin?
Üçler kuralı — n gözlemde hiç temerrüt yoksa, %95 güvenle PD ≲ 3 / n
Jeffreys üst sınırı — Beta(k + ½, n − k + ½) dağılımının 1−α kuantili
Pluto–Tasche ilkesi — sınıfların risk sıralaması bozulmadan her sınıfa atanabilecek en yüksek PD
Üçler kuralı zihinden hesap içindir; raporda Jeffreys veya Clopper–Pearson gibi açıkça tanımlı bir yöntem kullanılır. Pluto–Tasche ise farklı bir soruyu cevaplar: "sıralamaya inanıyorsam, en kötümser hangi PD setini savunabilirim?" — tek tek sınıfları değil, sıralamanın tamamını birlikte ele alır.
500
2
%95
Gözlenen oran
%0,40
Jeffreys üst sınırı
%1,10
Üst sınır / gözlenen
2,8×

Bu aralık bir ölçüm belirsizliğidir, bir muhafazakârlık kararı değil. İkisini karıştırmak sık yapılan hatadır: "üst sınırı PD olarak kullanalım" demek, belirsizliği otomatik olarak muhafazakârlığa çevirmektir ve gerekçesi ayrıca yazılmalıdır. Aralığın kendisi yalnızca şunu söyler: veri bu kadarını dışlayamıyor.

belirsizlik nereden geliyor?

LDP'de "belirsizlik" tek bir şey değildir. Üç ayrı kaynağı vardır ve her birinin çözümü farklıdır — validasyon raporunda hangisinden bahsedildiği net olmalıdır.

1 · Örneklem belirsizliği

  • Az gözlem, az temerrüt.
  • Güven aralığıyla ölçülebilir.
  • Veri biriktikçe küçülür.
  • Çözümü: daha uzun geçmiş, havuzlama, benchmark.

2 · Veri ve tanım belirsizliği

  • Temerrüt tanımı dönem içinde değişmiş.
  • Eski kayıtlar eksik ya da farklı sistemde.
  • Güven aralığı bunu görmez.
  • Çözümü: uzlaştırma, kapsam daraltma, gerekçeli MoC.

3 · Metodoloji belirsizliği

  • Segment sınırları, havuzlama kararı, kalibrasyon hedefi, uzun dönem ortalamanın tanımı — hepsi seçimdir.
  • Farklı ama savunulabilir seçimler anlamlı ölçüde farklı PD üretir. Bu da bir belirsizliktir ve raporlanır.
  • Çözümü: alternatif seçimlerin sonucu gösterilir (duyarlılık analizi), seçim gerekçelendirilir, fark MoC'ye yansıtılır.
Validasyon sorusu bu üçünü ayırt ettiğinde keskinleşir: "Tahmininiz belirsiz" değil, "Hangi belirsizlik? Ölçtüğünüz mü, ölçemediğiniz mi, yoksa seçiminiz mi?"

moc — muhafazakârlık payı nasıl kurulur

IRB çerçevesinde tahmin belirsizliği bir Margin of Conservatism ile karşılanır. MoC bir güvenlik payı değil, tanımlanmış bir eksikliğin tanımlanmış karşılığıdır: hangi eksiklik, hangi miktar, hangi koşulda kalkar.

Aşağıdaki araçta üç bileşeni ayrı ayrı ayarla. Amaç bir formül vermek değil — MoC'nin taban PD'ye göre ne kadar büyüdüğünü ve ne zaman "model yerine MoC kullanılıyor" noktasına gelindiğini görmek.

%0,40
%15
%10
%25
■ Taban tahmin■ A■ B■ C
Taban PD
%0,40
Toplam MoC
%0,20
Nihai PD
%0,60

MoC'nin üç bulgusu. Birincisi, gerekçesiz MoC: "ihtiyatlı olduk" cümlesi miktarı açıklamaz. İkincisi, çifte sayım: aynı eksiklik hem MoC'ye hem senaryoya konulmuş. Üçüncüsü ve en sık görüleni, kalıcılaşan MoC: geçici bir veri sorunu için konulan pay yıllardır duruyor, eksiklik kapanmış ama pay kalkmamış. MoC'nin kaldırılma ölçütü baştan yazılmamışsa o MoC zaten kalıcıdır.

sınıflar gerçekten ayrışıyor mu?

LDP'de en kritik soru kalibrasyon değil, sıralamanın kanıtlanabilirliğidir. Rating sistemi "R1, R2'den daha güvenli" diyor — veri bunu destekliyor mu, yoksa iki sınıfın güven aralıkları üst üste mi biniyor?

Aşağıdaki tabloda veri derinliğini değiştir. Her sınıfın yıllık borçlu sayısı ve gerçek PD'si sabit; yalnızca kaç yıllık geçmişe baktığın değişiyor.

3 yıl
SınıfBorçlu-yılTemerrüt Gözlenen DRJeffreys %95 üstSıralama

Dikkat edilecek nokta: üst sınıflarda aralıklar hiçbir veri derinliğinde tam ayrışmaz. Bu bir kusur değil, LDP'nin doğasıdır. Doğru sonuç "rating sistemi çalışmıyor" değil, "sıralama bu portföyün kendi verisiyle kanıtlanamaz; dayanağı dış kanıt, uzman görüşü ve muhafazakârlıktır" demektir — ve bu cümlenin raporda geçmesi gerekir.

neyi test edebilirsin, neyi edemezsin?

LDP validasyonunda en değerli çıktı, çoğu zaman bir test sonucu değil testin sınırının dürüstçe yazılmasıdır. Kapsam ikiye ayrılır.

✓ Yapabileceklerin

  • Replikasyon. Örneklem küçükse bile hesap aynı sayıyı vermeli. Az veri, replikasyon yapmama gerekçesi değildir.
  • Tanım uzlaştırma. Temerrüt tanımı, materiyalite eşiği, cure kuralları — bunlar veri miktarından bağımsız test edilir.
  • Çok dönemli birleştirme. Yılları havuzlayıp toplam gözlem üzerinden aralık kur; dönemler arası tutarlılığı ayrıca bak.
  • Dış benchmark. Dış derecelendirme geçiş matrisleri, sektör verisi, karşılaştırılabilir portföyler.
  • Duyarlılık analizi. Segment sınırını, havuzlamayı, uzun dönem ortalamanın tanımını değiştirip sonucun ne kadar oynadığını ölç.
  • MoC yeterliliği. Miktar, gerekçe, çifte sayım ve kaldırma ölçütü.

✕ Yapamayacakların

  • Tek dönemlik kalibrasyon hükmü. Bir yılda 1 temerrüt farkı sonucu tersine çevirir.
  • Gini karşılaştırması. Az temerrütle Gini çok oynar; iki dönem arası farkın çoğu gürültüdür.
  • Sıralamanın istatistiksel ispatı. Üst sınıflarda aralıklar örtüşür.
  • İnce segmentasyon doğrulaması. Sınıf sayısı arttıkça her sınıftaki gözlem azalır; ayrım iddiası test edilemez hale gelir.
  • PSI'ye dayalı hüküm. Küçük popülasyonda PSI zaten oynak; eşik uygulamak yanıltır.
Rapor dili önemlidir. "Kalibrasyon uygundur" ile "Mevcut veriyle kalibrasyonun uygun olmadığı gösterilemedi" aynı cümle değildir. İkincisi doğru olandır ve modelin kullanım kapsamını, MoC'yi ve izleme sıklığını farklı şekilde bağlar. Bir validatörün en önemli becerilerinden biri, bu iki cümle arasındaki farkı komiteye anlatabilmektir.
Çerçeve kaynakları: Basel Framework CRE36 — IRB asgari gereksinimler ve muhafazakârlık · EBA'nın PD/LGD tahmin kılavuzu ile ECB'nin içsel modeller rehberi AB uygulamasına yöneliktir; Türkiye'de uygulanabilir BDDK düzenlemeleriyle birlikte okunur. Pluto & Tasche (2005), düşük temerrütlü portföylerde muhafazakâr PD tahmininin yaygın referansıdır.

bu sayfadan götürülecekler

az veri ≠ kötü model
Belirsizlik modelin kusuru değil, kanıtın sınırıdır. Rapor bu ikisini ayırmalı; aksi halde iyi bir model haksız yere, kötü bir model de yanlışlıkla aynı cümleyle geçer.
sıfır temerrüt sıfır pd değildir
n gözlemde hiç temerrüt yoksa bile PD'nin üst sınırı yaklaşık 3/n'dir. Sermaye ve karşılık hesabına giren PD bu gerçeği ve düzenleyici tabanları yansıtmalıdır.
moc tanımlı bir eksikliğin karşılığıdır
Hangi eksiklik, hangi miktar, hangi koşulda kalkar. Bu üçü yazılı değilse MoC bir muhafazakârlık payı değil, kalıcı bir belirsizlik örtüsüdür.
sıralamayı veri değil, gerekçe taşır
Üst rating sınıflarında ayrışma istatistikle kanıtlanamaz. Dayanak dış kanıt, uzman görüşü ve muhafazakârlıktır — ve bu açıkça yazılır.
Sıradaki adım: Model riski — yanlış model neden tehlikelidir, yönetişim eksikliği nasıl sorun yaratır, benchmark/challenger ne zaman yararlıdır?
Mehmet Yığılı · © 2026 · Revizyon: 20 Eylül 2026 · unlisted page