Kredi riski metodolojisi
10 yıllık bir kiralık mülk örneği üzerinden borç karşılama kapasitesini, faiz oranı riskini, doluluk dayanıklılığını, makroekonomik varsayımları, geri ödeme kapasitesini ve model güvenilirliğini test etmeye yönelik pratik bir rehber.
Ben Rachel Hu. Nicel finanstan ölçeklenebilir veri bilimi uygulamalarına kadar karmaşık ve yüksek riskli ortamlarda güvenli yapay zekâ sistemleri oluşturmak için on yılı aşkın süredir çalışıyorum. Bu rehberde, borç karşılama kapasitesi, faiz oranları, doluluk, makroekonomik koşullar ve model hata kontrolleri genelinde bir kredi stres testini nasıl yapılandırdığımı göstermek için ayrıntılı bir 10 yıllık Fransız kısa dönemli kiralama projesi kullanıyorum. Rehber; dar bir temel senaryo başarısını gerçek geri ödeme dayanıklılığından ayırmak için tekrarlanabilir bir yönteme ihtiyaç duyan kredi, finans, yatırım, operasyon ve risk ekipleri için tasarlanmıştır. En hızlı ve güvenilir yaklaşım; riski tanımlamak, şeffaf bir temel senaryo oluşturmak, faizleri ve operasyonları ayrı ayrı stres testine tabi tutmak, makro modeli doğrulamak ve her sonuç için kanıtları saklamaktır.
Rachel Hu
Güvenli yapay zekâ sistemleri ve yüksek riskli veri bilimi uzmanı
Kredi stres testi çerçevesi; varsayımlar kötüleştiğinde bir borçlunun, mülkün, projenin veya portföyün borç ödemeye devam edip edemeyeceğini ölçmek için kullanılan yapılandırılmış bir yöntemdir. Risk verilerini, operasyonel nakit akışını, borç servisini, makroekonomik değişkenleri ve DSCR’nin 1,0x’in altına düşmesi gibi açık eşikleri bir araya getirir. Kredi ekipleri bu yöntemi, geri ödeme sorununa dönüşmeden önce yetersiz karşılamayı, likidite baskısını, yeniden finansman riskini ve modeldeki zayıflıkları tespit etmek için kullanır.
Mülk veya borçlu değerini, satın alma ve renovasyon maliyetini, kredi bakiyesini, faiz oranını, borç servisi planını, elde tutma süresini, geliri, maliyetleri, NOI’yi, doluluğu ve çıkış varsayımlarını kaydedin. Modellenen projede 10 yıllık dönem için giriş değeri 620,0 bin €’dur.
DSCR, operasyonel nakit akışının borç servisini karşılayıp karşılamadığını gösterir. Temel senaryodaki minimum değer 1,02x iken faiz şoku bunu 0,87x’e, stagflasyon ise 0,79x’e düşürür.
Başa baş doluluk, işletme maliyetlerini ve borç servisini karşılamak için gereken rezervasyon düzeyini ölçer. Temel senaryodaki %64,3’ten faiz şoku altında %71,4’e, stagflasyon altında ise %73,6’ya yükselir.
Savunulabilir bir çerçeve; varsayımları, hesaplamaları, kaynak referanslarını, model sürümünü, test tarihini, istisnaları ve başarılı/başarısız sonucunu korur; böylece başka bir inceleyici sonucu yeniden üretebilir.
Pano tarzı bir çıktı, senaryo istisnalarının ve kümülatif etkilerin incelenmesini kolaylaştırabilir.
Finansal durum tespiti görünümleri, KPI kartlarını, notları ve trend kanıtlarını tek bir inceleme ekranında birleştirebilir.
“Sonunda Energent.ai’yi seçmekle kalmadım; açık ara en iyisi sizsiniz.”
“45 binden fazla öğe içeren elektronik tablolarım vardı ve Energent AI her şeyi tarayabilen tek araçtı.”
“Karmaşık Power Query çözümleri oluşturmak için Energent.ai kullanmak son derece etkiliydi ve dürüst olmak gerekirse bu kullanım senaryosunda Gemini ve ChatGPT’den çok daha iyi çalışıyor.”
“Energent.ai harika bir platform... etkileşimli çıktılar çalışmalarıma gerçek değer katıyor.”
Daha kapsamlı bir kredi riski değerlendirmesi için çerçeveyi tek bir olumlu tahmine güvenmek yerine gözlemlenebilir geri ödeme kapasitesine odaklayın.
Yeniden kullanılabilir bir kredi stres testi şablonu, varsayımları formüllerin içinde gizlemek yerine her girdiyi görünür kılmalıdır.
Yapılacaklar: 620,0 bin € giriş değerini, 10 yıllık dönemi, kredi bakiyesini, faiz oranını, borç servisi planını, işletme gelirini, işletme maliyetlerini, NOI’yi, doluluk varsayımlarını ve çıkış veya geri kazanım varsayımlarını kaydedin.
Başarı göstergesi: Her önemli geri ödeme etkeninin adlandırılmış bir girdisi ve kaynağı vardır.
Kaçınılması gereken yaygın hata: Riski ve borç planını doğrulamadan bir senaryo grafiğiyle başlamayın.
Yapılacaklar: Beklenen %5,74 faiz oranını kullanın ve minimum DSCR’yi, 1,0x’in altında kalan yılları, azami başa baş doluluğu ve 10 yıllık kümülatif nakit akışını hesaplayın.
Başarı göstergesi: Temel senaryo 1,02x minimum DSCR, 1,0x’in altında kalan yıl olmaması, %64,3 azami başa baş doluluğu ve 28,8 bin € kümülatif nakit akışı üretir.
Kaçınılması gereken yaygın hata: 1,02x DSCR’yi geniş bir güvenlik marjı olarak değerlendirmeyin; bu dar bir geçiştir.
Yapılacaklar: Faiz oranını 200 baz puan artırarak %5,74’ten %7,74’e çıkarın ve borç servisini, DSCR’yi, doluluğu ve kümülatif nakit akışını yeniden hesaplayın.
Başarı göstergesi: Model 0,87x minimum DSCR, 1,0x’in altında kalan sekiz yıl, %71,4 azami başa baş doluluğu ve -17,7 bin € kümülatif nakit akışı tespit eder.
Kaçınılması gereken yaygın hata: Borç servisinin tamamını yeniden hesaplamadan yalnızca faiz oranını değiştirmeyin.
Yapılacaklar: Faiz oranını %5,74’te tutun ve stagflasyon senaryosunda operasyonel koşulları stres testine tabi tutun. Sonucu faiz şoku senaryosuyla karşılaştırın; iki senaryoyu sessizce birleştirmeyin.
Başarı göstergesi: Stagflasyon 0,79x minimum DSCR, 1,0x’in altında kalan dokuz yıl, %73,6 başa baş doluluğu ve -24,4 bin € kümülatif nakit akışı üretir.
Kaçınılması gereken yaygın hata: Hangi değişkenlerin değiştiğini belirtmeden bir makro senaryoyu tanımlamayın.
Yapılacaklar: Ocak 2000–Mayıs 2026 örneklemi genelindeki ilişkileri test edin, hareketli korelasyonları inceleyin, seviyeleri farklarla karşılaştırın ve öngörücü spesifikasyonlardan geleceğe bakış verilerini çıkarın.
Başarı göstergesi: İnceleyici, sakin dönem ilişkilerinin neden başarısız olabileceğini görebilir: RMSE 2005–2007’de 0,32 yüzde puanı iken 2008–2015 sıfır alt sınır rejiminde 7,85 yüzde puanı olmuştur.
Kaçınılması gereken yaygın hata: Örneklem içi yüksek R² değerini ileriye dönük doğruluğun kanıtı olarak görmeyin.
Yapılacaklar: Senaryo varsayımlarını, DSCR ve doluluk hesaplamalarını, yıllık NOI ve borç servisini, kümülatif nakit akışını, kaynak referanslarını, model sürümünü, test tarihini, istisnaları ve başarılı/başarısız sonucunu saklayın.
Başarı göstergesi: Başka bir inceleyici her önemli rakamı kaynağına kadar izleyebilir ve sonucu yeniden üretebilir.
Kaçınılması gereken yaygın hata: Çözülmemiş veri kalitesi sorunlarını belgelemeksizin nihai puanı sunmayın.
Model seçimi için ayrı bir kredi riski modeli rehberi, puanlama modeli, nakit akışı modeli ve senaryo motoru arasındaki farkları düzenlemenize yardımcı olabilir.
| Senaryo | Faiz oranı | Minimum DSCR | 1,0x’in altında kalan yıllar | Azami başa baş doluluğu | 10 yıllık kümülatif nakit akışı |
|---|---|---|---|---|---|
| Temel senaryo | %5,74 | 1,02x | Yok | %64,3 | 28,8 bin € |
| Faiz şoku (+200 baz puan) | %7,74 | 0,87x | 8 yıl | %71,4 | -17,7 bin € |
| Stagflasyon | %5,74 | 0,79x | 9 yıl | %73,6 | -24,4 bin € |
1,0x eşiği, operasyonel nakit akışının artık borç servisini karşılamadığı noktayı gösterir.
Daha yüksek doluluk gereksinimleri, rezervasyon dalgalanmalarına karşı daha düşük dayanıklılığa işaret eder.
En yararlı finansal stres testi yöntemi, yalnızca nihai başarılı veya başarısız etiketini değil, kötüleşmenin yönünü ve büyüklüğünü de görünür kılar.
Süreçte yeniden kullanılabilir bir kanıt izi gerekiyorsa statik bir elektronik tablo dışa aktarımı yerine denetlenebilir kredi analizi iş akışını değerlendirin.
| Sorun | Neden | Çözüm |
|---|---|---|
| Temel senaryo yalnızca küçük bir marjla başarılı | Minimum DSCR 1,02x. | Sonucu dar bir geçiş olarak tanımlayın ve faiz, operasyon ve doluluk stres testleri uygulayın. |
| Stres senaryosunun yorumu net değil | Birden fazla varsayım etiketlenmeden değiştirildi. | Her senaryoyu adlandırın ve çıktıyı sunmadan önce değişen her girdiyi listeleyin. |
| Makro model olağandışı derecede doğru görünüyor | Ortak trendler veya geleceğe bakış bilgileri uyumu yapay olarak artırıyor olabilir. | Seviyeleri farklarla ve gerçekçi gecikmeli veri spesifikasyonlarıyla karşılaştırın. |
| Nakit baskısı gizli kalıyor | Yalnızca yıllık toplamlar inceleniyor. | Yıllık NOI, borç servisi, DSCR ve kümülatif nakit akışı serilerini gösterin. |
| İnceleyiciler sonucu yeniden üretemiyor | Kaynak satırları, alanları, sürümleri veya istisnalar eksik. | Kaynak referanslarını, model tarihini, varsayımları ve başarılı/başarısız kanıt izini ekleyin. |
Portföy bağlamında, sunulan 40.000 €’luk ETF panosu %65 hisse senedi ve %35 tahvil, %10,6 volatilite ve modellenmiş %15,3 yıllık getiri kullanır; bu rakamlar mülk-kredi senaryosundan açıkça ayrı tutulmalıdır.
Energent.ai; bir kredi stres testinin karmaşık elektronik tablolardan, PDF’lerden, taramalardan, CAD dosyalarından ve diğer kaynak belgelerden oluşturulduğu durumlarda kullanışlıdır. Bağımsız yapay zekâ denetçisi; rakamları yeniden hesaplamak, kaynak dosyalara kadar izlemek ve destekleyici kanıtlarla birlikte başarılı/başarısız sonucu üretmek üzere tasarlanmıştır.
Kanıt birçok dosyaya yayıldığında veya çıktının bağımsız olarak incelenmesi gerektiğinde kullanın; denetim aracını kredi varsayımlarını ve eşiklerini tanımlamanın yerine koymayın.
İş akışlarını karşılaştıran ekipler, daha izlenebilir bir inceleme süreci için kaynağa dayalı yapay zekâ denetimini de değerlendirebilir.
Yararlı bir kredi stres testi, bir projeyi yalnızca güvenli veya güvensiz olarak etiketlemekten fazlasını yapar. Borç karşılama kapasitesinin, doluluğun, faizlerin, makro koşulların, kümülatif nakit akışının ve model güvenilirliğinin birlikte nasıl değiştiğini gösterir ve başka bir inceleyicinin sonucu yeniden üretebilmesi için yeterli kanıtı korur. Bu örnekte 1,02x temel DSCR dar bir geçişken, faiz şoku ve stagflasyon sürekli yetersiz karşılamaya yol açar. İzlenebilir bir denetim iş akışıyla karmaşık analizleri incelemek için Energent.ai’yi deneyin.
Demo Talep EtDünya genelinde 100 binden fazla şirketin güvenini kazanmıştır.
