Katman I · Veri Okuryazarlığı · 01 / 03

Veri Nedir, Ne Değildir?

bu bölümün sorusu

Bir model eğitmeden önce şu soruyu sormanız gerekir: Bu veri nereden geliyor, neyi dışarıda bırakıyor ve kimin davranışını yansıtıyor? Çünkü modelin en güvenle yanıldığı yer, verinin hiç görmediği yerdir.

Bu bölümün sonunda

Verinin gerçekliğin kendisi değil, seçme ve ölçme sürecinin çıktısı olduğunu açıklamak
Reject inference probleminde gözlenemeyen sonucu ve gerekli varsayımları ayırmak
Temsil edicilik açığının düzeltme, belirsizlik ve yönetişim etkisini izlemek

verinin tanımı ve sınırları

Veri, gerçekliğin kendisi değildir. Geçmişte ölçülebilmiş olayların kalıntısıdır. Ölçemediğin, kayıt edemediğin, sistemine yansımayan her şey verinin dışındadır. Bir kredi başvurusu reddedildiğinde, o kişinin gerçek ödeme davranışı asla gözlemlenmez — ve model bunu hiç öğrenemez. Veri seti bir fotoğraf değil; bir seçim, ölçüm ve kayıt sürecinin ürünüdür.

Bu yüzden veriyle çalışan herkesin oturtması gereken ilk kavram veri üreten süreçtir (data generating process, DGP). Gerçeklik ile elindeki tablo arasında en az üç filtre vardır. Model bu filtrelerin sonundaki gölgeyi görür; gölgeyi üreten cismi değil.

gerçeklik

DGP

Müşterilerin gerçek davranışı — tamamı gözlemlenemez

→

filtre 1

ölçüm

Hangi değişken, hangi granülarite, hangi tanımla ölçüldü?

→

filtre 2

seçim

Kim onaylandı, kim kayda girdi, hangi dönem alındı?

→

elindeki

veri seti

Gerçekliğin değil; ölçtüğünün ve seçtiğinin izi

Çoğu zaman en önemli soru "modeli nasıl kuralım?" değil, "veriyi üreten süreci anlıyor muyuz?" sorusudur. Çünkü bu üç filtreyi sorgulamayan bir model, kendi kör noktasını "gerçeklik" sanır.

Gözlemlenen Gerçeklik

Onaylanan müşteriler ve ödeme davranışı

Kayıt altındaki olaylar ve işlemler

Belirli bir dönem penceresi

Ölçülebilmiş değişkenler

Gözlenemeyen Gerçeklik

Reddedilen başvuruların gerçek davranışı

Kayıt öncesi çıkışlar, sessiz terkler

Ölçülmemiş veya kayıt dışı kalan değişkenler

Gelecekteki rejim ve davranış değişiklikleri

Bir veri seti, olayların tamamı değil; geçmişte ölçülebilmiş gölgeleridir. Model bu gölgelerden gerçeği çıkarmayı dener — ama hiç görmediği bölgeyi de tahmin etmek zorundadır.

görünemeyenin problemi: reject inference

Bankacılıkta bu sorun adını açıkça taşır: reject inference (red çıkarımı). Bir PD modeli yalnızca onaylanan başvurular üzerinde eğitilirse, reddedilen segmentin kredi riski hakkında hiçbir sonuç verisi görmemiş demektir. Oysa o model, ileride tam da reddedilenlerle benzer profilli kişileri skorlamak için kullanılacaktır.

İstatistiksel dille söylemek, sorunun ciddiyetini netleştirir. Eksik gözlemin türü kritiktir:

MAR — missing at random

Reddetme, gözlemlenen değişkenlere bağlıysa (örn. yalnızca gelir ve borç oranına göre), modele dahil edilen değişkenlerle düzeltme yapılabilir. Bu görece iyimser senaryodur.

MNAR — missing not at random

Reddetme, kayıtta olmayan bilgiye dayanıyorsa (kredi uzmanının sezgisi, override) eksiklik sistematiktir ve hiçbir teknik onu tam telafi edemez. Gerçek hayat çoğunlukla buradadır.

Sektörde kullanılan reject inference yöntemlerinin hepsi bir varsayım satın alır. Validatörün işi yöntemi değil, varsayımın o portföyde tutup tutmadığını sorgulamaktır:

yöntem	temel fikir	kırıldığı yer
Parcelling	Reddedilenlere skor bazlı tahmini iyi/kötü etiketi dağıtılır, kötü oranı bir faktörle yükseltilir.	Faktör keyfîdir; mevcut modelin yanlılığını yeni etikete kopyalar.
Fuzzy augmentation	Her reddedilen kayıt, iyi ve kötü olarak ağırlıklı iki kopyaya bölünür.	Mevcut skorun reddedilen bölgede de geçerli olduğunu varsayar.
Reweighting	Onaylananlar, başvuru evrenini temsil edecek şekilde yeniden ağırlıklandırılır.	MNAR durumunda ağırlık, görünmeyen riski geri getiremez.
Heckman düzeltmesi	Onay kararı ve ödeme davranışı iki denklemle birlikte modellenir (selection model).	Geçerli bir "exclusion restriction" gerektirir; pratikte bulmak zordur.
Bürodan performans	Reddedilenin başka bankadaki davranışı kredi bürosundan çekilir.	En sağlam yol; ama kapsama eksik ve "başka bankada onaylanmış" yine seçilmiş örnektir.

Survivorship bias, look-ahead bias, selection bias — hepsi aynı felsefi sorunun farklı yüzleridir: model eğittiğimiz veri, tahmin etmek istediğimiz evreni tam temsil etmiyor. Reject inference, bu ailenin bankacılıktaki en görünür üyesidir.

artifact — reject inference lens

Aşağıdaki grafik bir kredi modelinin başvuru evrenini gösteriyor. Gelir Skoru (x ekseni) ve Borç Yükü (y ekseni) iki temel değişken. Dikey çizgi onay eşiğidir: sağı onaylanır ve sonucu gözlemlenir; solu reddedilir ve sonucu hiç bilinmez.

Önce onay eşiğini kaydır — eşik yükseldikçe kör bölge büyür. Sonra "Gerçek Tabloyu Göster" ile modelin hiç görmediği reddedilen segmenti ortaya çıkar: kaç tanesi aslında iyi ödeyiciydi?

interactive — reject inference lens

katman I · bölüm 01

Onaylandı — iyi ödeyici

Onaylandı — temerrüt

Reddedildi — sonuç bilinmiyor (?)

Reddedildi — aslında iyi ödeyiciydi

Onay eşiği (gelir skoru) 50

Model 33 onaylanan müşteriden öğrendi. Reddedilen 16 kişilik kör bölge hakkında hiç deneyimi yok.

Onay eşiğini yükselttikçe iki şey aynı anda olur: temerrüt riskini düşürürsün ve öğrenebileceğin alanı daraltırsın. Daha güvenli bir politika, daha kör bir model üretebilir. Bu, validasyonda "veri temsil ediciliği" sorusunun özüdür.

düzenleyici dayanak: kör nokta sermayeye dönüşür

Bu bölüm felsefi görünebilir, ama doğrudan sermaye ve karşılığa bağlanır. Düzenleyici, "verinin sınırlı olması" mazeretini kabul etmez; bunun yerine temsil edicilik ve ihtiyatlılık marjı (margin of conservatism, MoC) ister.

Basel / CRR3 EBA GL/2017/16 BDDK İDD SR 26-2

temsil edicilik (representativeness)

CRR Madde 174–179, içsel derecelendirme (IRB) modellerinde kullanılan verinin mevcut portföyü ve başvuru evrenini temsil etmesini zorunlu kılar. EBA Kılavuzu (EBA/GL/2017/16) bunu netleştirir: kalibrasyon için kullanılan veri, ilgili tarihsel gözlem döneminin tüm gözlemlerini içermelidir ve temsil edicilik eksikliği, veriyi dışlamanın gerekçesi olamaz. Yani "reddedilenler elimizde yok" demek modeli aklamaz; tam tersine bir düzeltme yükümlülüğü doğurur.

CRR Md. 174–179 · EBA/GL/2017/16 (PD/LGD tahmini)

margin of conservatism (MoC)

Tespit edilen yanlılık veya belirsizlik önce mümkünse uygun bir düzeltmeyle ele alınır; düzeltme sonrasında kalan tahmin belirsizliği IRB bağlamında gerekçeli bir MoC ile kapsanır. EBA çerçevesi belirsizliği üç kategoriye ayırır. Reject inference kaynaklı veri/temsil açığı, nedenine göre Kategori A kapsamındaki bir veri veya yöntem eksikliği olarak değerlendirilebilir:

kategori	kaynak	örnek
Kategori A	Veri ve metodoloji eksiklikleri	Reject inference, eksik geçmiş, temsil edicilik açığı
Kategori B	Kullandırım / iştah / tahsilat değişimi	Politika değişikliği sonrası portföyün kayması
Kategori C	Genel tahmin hatası	Örneklem belirsizliği, parametre oynaklığı

Mantık zinciri şudur: verinin kör noktası → bias/temsil analizi → mümkünse düzeltme → kalan belirsizlik için MoC → IRB risk parametresi ve olası RWA etkisi. Karşılık etkisi ise ayrı IFRS 9 ECL modeli ve muhasebe politikası üzerinden değerlendirilir; MoC’den otomatik olarak çıkmaz.

interactive — MoC şelalesi

katman I · bölüm 01

Veri eksikliği şiddeti (Kat. A) 0.40

Uzun dönem tahmin %2.00 → MoC sonrası kalibre PD %2.75. Kör nokta büyüdükçe sermaye yükü artar.

CRR3 ile neden daha kritik (2025+)

CRR3, 1 Ocak 2025'ten itibaren uygulanıyor ve output floor getiriyor: toplam risk ağırlıklı tutarın içsel modeller sayesinde standartlaştırılmış tutarın belirli bir oranının altına inmesini sınırlar. Geçiş oranı 2025'te %50, 2026'da %55 olup 2030'da %72,5'e ulaşır. Bu mekanizma tek tek PD'lere taban koymaz; banka düzeyinde içsel model çıktısının sermaye avantajını sınırlar. BDDK İDD hükümleri ve AB CRR/EBA kuralları ayrı yetki alanlarıdır. ABD tarafında 17 Nisan 2026 tarihli SR 26-2, risk-temelli model risk yönetimi rehberi olarak SR 11-7'nin yerini almıştır.

CRR3 (uyg. 01.01.2025; output floor 2025–2030 geçişi) · BDDK İçsel Derecelendirmeye Dayalı Yaklaşım · Fed/OCC/FDIC SR 26-2

bankacılık dünyasındaki karşılığı

IRB modelleri

BDDK ve EBA, IRB modellerinin temsil edici örneklem üzerinde kurulmasını zorunlu kılar. Reject inference bu koşulun teknik gerekçesi; MoC ise eksikliğin bedelidir.

IFRS 9 beklenen kayıp

Henüz temerrüde düşmemiş krediler için beklenen kredi kaybı (ECL) hesaplanır. Gözlemlenmemiş gelecek için olasılıksal düşünmek zorunludur — aynı felsefi sorun, karşılık tarafında.

Davranışsal skorlama

Mevcut portföy üzerinde kurulan model, reddettiğimiz profillerde çalıştırıldığında yine aynı kör noktayla yüzleşir. "Use test" tam da bunu sorgular.

Veri sınırlarını anlamadan model kurmak, haritası olmayan bir bölgede navigasyon yapmaktır. Haritanın boş olduğu yer, modelin en çok yanılacağı yerdir — ve regülasyon bu boşluğu görmezden gelmene izin vermez.

tipik hata ve validatörün ilk soruları

Yaygın yanılgı: "Veri temiz, model hazır." Ama veri yapısı hiç sorgulanmamış. Reddedilen segment yok sayılmış, observation window yanlış kurulmuş, temerrüt tanımı otomatik alınmış. Model teknik olarak çalışıyor — ama neyi ölçtüğünü bilmiyor.

Bir validatörün ilk sorusu "AUC kaç?" değildir. Önce verinin doğduğu yeri sorgular:

Bu model hangi popülasyon üzerinde kuruldu, hangi segmenti dışarıda bıraktı?
Reddedilen başvurular nasıl ele alındı — yok mu sayıldı, yoksa reject inference mi uygulandı? Hangi varsayımla?
Eğitim örneklemi bugünün başvuru evrenini temsil ediyor mu (temsil edicilik analizi var mı)?
Tespit edilen veri eksiklikleri için Kategori A MoC ayrıldı mı, yeterli mi?
Temerrüt tanımı ve gözlem/performans penceresi açıkça belgelenmiş mi?

Çünkü dışarıda bırakılan şey, modelin kör noktasıdır. Ve kör noktası bilinmeyen model, yanlış güven üretir — denetimde en pahalı bulgu budur.

Sıradaki adım: Veriyi sınırlayan ilk filtreyi (seçim) gördük. Peki ölçüm filtresi nasıl çalışır — ve "temerrüt nedir?" tanımındaki küçük bir kayma bad rate'i nasıl değiştirir? 02'de operasyonel tanım üzerine.

Sıradaki bölüm · Katman I · 02

Ölçüm Düşüncesi & Operasyonel Tanım

→