İstatistikçilerin Bankacılık Sektöründeki Rolü: Risk Analizi

İstatistik bölümü mezunları; analitik düşünme, modelleme ve veri analitiği sayesinde veri odaklı karar alan finanstan teknolojiye pek çok farklı sektörde geniş iş olanaklarına sahiptir. Bu sektörlerden birisi ise bankacılıktır. Bankacılığın temelinde yalnızca parayı değil belirsizliği ve potansiyel tehlikeleri önceden tahmin edip yönetmek yatar. Tam bu noktada Risk Analizi departmanı devreye girer.

Risk Analizi; bir bankanın faaliyetleri sırasında karşılaşabileceği finansal belirsizlikleri matematiksel ve istatistiksel metotlar ile ölçerek hem olağan dönemlerdeki riskleri hesaplamayı hem de 'stres senaryosu' olarak adlandırılan; döviz, enflasyon ve faiz gibi makroekonomik değişkenlerde meydana gelebilecek aşırı olumsuz ancak gerçekleşmesi muhtemel senaryolar karşısında bankaya güvenli bir hareket alanı kazandırmayı amaçlayan departmandır. Bankacılıkta risk analizi geniş bir alana yayılmakla birlikte istatistik ve veri modellemesinin en yoğun kullanıldığı 3 temel alan: Kredi Riski, Likidite Riski ve Piyasa Riskidir.

Kredi Riski; bankanın kredi verdiği kişi veya kurumun borcunu zamanında veyahut tam ödeyememesi durumunda bankanın zarara uğrama ihtimalidir. Bireysel ve kurumsal müşterilerin geçmiş finansal verileri, harcama ve ödeme davranışları ve demografik özellikleri analiz edilerek kredi skorlama modelleri ve skor kartları geliştirilir. Lojistik Regresyon ve Makine Öğrenmesi Algoritmaları kullanılarak Temerrüt Olasılığı (PD), Temerrüt Halinde Kayıp Oranı (LGD) ve Temerrüt Anındaki Risk Tutarı (EAD) gibi kredi riski parametreleri hesaplanır. Bu analizler doğrultusunda bankanın kime, ne kadar kredi tahsis edeceği ve oluşabilecek kredi zararları için ne kadar karşılık ayıracağı belirlenir. Ancak kredi süreci yalnızca kredinin onaylanmasıyla sona ermez. Geri ödeme dönemi boyunca müşterinin finansal ve ödeme hareketlerinin takip edilmesi de kritik öneme sahiptir. Bu noktada devreye giren Erken Uyarı Sistemi (EWS), müşterinin hesap hareketlerini ve geciken ödemeleri istatistiksel modeller aracılığıyla sürekli izler. Bu izlemelerdeki amaç, borçlu henüz temerrüde düşmeden önce finansal stres sinyallerini erkenden yakalayarak bankayı olası zararlardan korumak ve risk savunma mekanizmasını dinamik tutmaktır.

Likidite Riski: bankanın vadesi gelen finansal yükümlülükleri zamanında yeterli kaynakla karşılayamaması yani ihtiyaç duyduğu anda nakde erişememesi riskidir. Likidite riskinin en önemli göstergelerinden birisi ise Likidite Karşılama Oranı (LCR)’dir. 2008 küresel finans krizinin ardından zorunlu hale getirilen bu oran bankanın şiddetli bir stres senaryosunda 30 gün boyunca oluşabilecek net nakit çıkışlarını yeterli yüksek kaliteli likit varlıklarla karşılayabilme kapasitesini ölçer. Geçmiş mevduat hareketleri, kredi geri ödemeleri ve müşteri davranışları analiz edilerek farklı dönemler için nakit akışı tahminleri oluşturulur. Ayrıca mevduatların beklenenden hızlı çekilmesi veya piyasalardan fonlama imkanlarının azalması gibi stres senaryoları altında bankanın likidite pozisyonu test edilir. Bankanın elinde bulundurduğu nakit ve yüksek kaliteli likit varlıkların, olası stres dönemindeki net nakit çıkışlarını karşılama kapasitesi istatistiksel modellerle periyodik olarak hesaplanır ve yasal sınırların üzerinde tutulması sağlanır.

Piyasa Riski; finansal piyasalardaki fiyat dalgalanmaları, faiz veya kur değişimleri nedeniyle yatırımların veya portföylerin değer kaybedip zarar etme olasılığıdır. 4 farklı piyasa riski vardır bunlar: Tahvil Riski, Faiz Oranı Riski, Döviz Kuru Riski ve Emtia Fiyat Riskidir. Zaman Serisi Modelleri, Monte Carlo simülasyonları, Riske Maruz Değer (VaR) ve Expected Shortfall (ES) analizlerini kullanarak farklı senaryolara karşı bankanın sermayesinin yeterliliğinin güvence altına alınmasına katkı sağlar. Risk analizinde kurulan modeller hiçbir zaman kendi haline bırakılmaz. Oluşturulan tahminlerin ve hesaplanan risk metriklerinin gerçeği ne kadar yansıttığı haftalık ve aylık periyotlarla geriye dönük testler ile aralıksız olarak denetlenir. Modelin yanılma payı ve sapmaları düzenli olarak incelenir ve piyasa koşullarına göre metrikler periyodik olarak güncellenir. Bu doğrultuda enflasyon, faiz ve döviz kuru gibi makroekonomik göstergelere ilişkin tahminler yapılır ve alım-satım portföylerinin riskleri periyodik olarak analiz edilir.

Tüm bu analiz, simülasyon ve modellerin hayata geçirilmesinde SQL, Python, R, Power BI, Tableau ve Excel gibi veri işleme ve analitik araçlardan yararlanılır. SQL, bankaların milyonlarca satırlık veri tabanlarından ham verilerin sorgulanması, temizlenmesi ve modelleme süreçlerine hazırlanmasında kullanılırken; Python ve R, istatistiksel testler, makine öğrenmesi algoritmaları, zaman serisi modellemeleri ve veri manipülasyonu (NumPy, pandas, SciPy, scikit-learn vb.) gibi daha ileri düzey analizlerde öne çıkar. Power BI ve Tableau ise hesaplanan risk metriklerinin, stres testi sonuçlarının ve portföy dağılımlarının görselleştirilerek ilgili departmanlara ve yönetime sunulmasını sağlayan dashboard'ların oluşturulmasında kullanılır. Excel ise özellikle veri kontrolleri, hızlı analizler, raporlama ve günlük operasyonel süreçlerde destekleyici bir araç olarak kullanılmaya devam etmektedir.

Özetle finans sektörünün hızla dijitalleştiği ve karar süreçlerinin giderek daha fazla veri ve algoritmalarla şekillendiği günümüzde veriyi doğru okuyan ve modelleyen istatistikçiler bankacılık sektörünün geleceğini inşa etmeye devam edecektir.