Mortgage Faizleri Yükselince Yapay Zekâ ile Risk Yönetimi

ABD’de 30 yıl vadeli mortgage faizinin ortalama %6,14’e çıkması ve buna paralel mortgage başvurularının gerilemesi, tek başına “konut piyasası haberi” değil. Bankalar açısından bu, kredi musluğunu açıp kapatmaktan daha fazlası: riskin fiyatlandığı, müşteri davranışının hızla değiştiği ve portföy kalitesinin stres testine girdiği bir dönem.

Benim gördüğüm şu: Faiz artışı başladığında çoğu kurum refleks olarak “skor cut-off’larını yükseltelim, onayı zorlaştıralım” çizgisine kayıyor. Bu yaklaşım kısa vadede zarar yazmayı azaltabilir; ama iyi müşteriyi de kaçırır, satış performansını düşürür ve uzun vadede portföyünüzün risk-getiri dengesini bozabilir. Daha akıllı bir yaklaşım var: Yapay zekâ destekli kredi skorlama ve risk yönetimi ile hem seçiciliği artırıp hem de doğru müşteriye hızlı onay verebilmek.

Bu yazı, ABD’deki faiz artışı örneğini bir “erken uyarı sinyali” gibi ele alıyor; ardından Türkiye’de bankalar ve finans ekipleri için yapay zekânın kredi değerlendirme, erken uyarı, fiyatlama ve tahsilat tarafında nasıl somut değer ürettiğini anlatıyor.

ABD’de mortgage faizi neden yükselince başvurular düşüyor?

Net cevap: Faiz yükseldiğinde aylık taksit artar, erişilebilirlik düşer ve tüketici kararı erteler. Mortgage gibi uzun vadeli kredilerde faiz değişimi, bütçeye etkisi nedeniyle çok hızlı hissedilir.

Faiz artışı üç kanaldan başvuruları aşağı çeker:

1. Aylık ödeme şoku: %6,14 bandına çıkış, bir yıl önceki daha düşük oranlarla kıyaslandığında aynı ev için aylık ödemenin belirgin yükselmesi demek.
2. Beklentiler: Tüketici “Biraz daha beklersem oranlar düşer mi?” diyerek talebi öteleyebilir.
3. Bankaların iştahı: Faiz artışıyla makro belirsizlik yükselirse, bankalar kredi standardını sıkılaştırır; bu da onay oranlarını aşağı çeker.

Bu noktada kritik detay şu: Başvuru düşüşü her zaman riskin düştüğü anlamına gelmez. Bazen tam tersine, piyasada kalan başvuruların profili daha riskli hale gelebilir (daha yüksek DTI, daha düşük gelir istikrarı, daha düşük peşinat gibi). İşte bu, yapay zekâ ile daha hassas segmentasyonun önemini artırır.

Faiz artışı bankanın risk profilini nasıl değiştirir?

Kısa cevap: Faiz artışı, hem kredi geri ödeme kapasitesini hem de teminat değer dinamiklerini aynı anda etkiler. Konut kredisi özelinde iki ana risk katmanı öne çıkar: müşteri nakit akışı ve teminat (LTV) oynaklığı.

Nakit akışı tarafı: PD artar

Faizlerin yükselmesi sadece yeni kredileri etkilemez; değişken faizli ürünlerde veya yeniden fiyatlaması olan portföylerde müşterinin aylık yükü artar. Bu da temerrüt olasılığını (PD) yukarı iter. Üstelik bu artış, herkes için aynı değildir.

• Geliri değişken olan (prim/komisyon ağırlıklı) çalışanlar
• KOBİ sahipleri
• Borçluluk oranı yüksek haneler

daha hızlı bozulma gösterebilir.

Teminat tarafı: LGD ve EAD baskılanır

Konut fiyatlarının yavaşlaması veya geri çekilmesi, teminat değerini etkileyerek zarar oranını (LGD) artırabilir. Aynı dönemde yeniden yapılandırmalar, ek limit talepleri ve ödeme planı uzatmaları maruziyeti (EAD) değiştirebilir.

“Faiz artışı, bankanın riskini tek bir yerden artırmaz; PD, LGD ve EAD aynı anda hareket eder.”

Bu üçlü hareket, klasik kural setleriyle yönetildiğinde “ya çok gevşek ya çok sert” sonuçlar üretir. Yapay zekânın değeri tam burada: mikro düzeyde farklılaşma.

Yapay zekâ kredi skorlama ve onay süreçlerinde neyi daha iyi yapar?

Net cevap: Yapay zekâ, değişen koşullara daha hızlı uyum sağlayan, daha fazla sinyal kullanan ve segment bazında isabeti artıran karar motorları kurmanızı sağlar.

Türkiye’de “Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serisinin omurgası zaten bu: dolandırıcılık, müşteri hizmetleri, skorlama, risk. Mortgage faizlerindeki yükseliş gibi şoklar, skorlama tarafında iki gereksinimi büyütür: güncellik ve açıklanabilirlik.

1) Daha zengin veriyle daha doğru risk ayrıştırma

Klasik skorlar genelde sınırlı sayıda değişkenle çalışır ve “geçmiş ortalama” mantığına yaslanır. Oysa faiz rejimi değiştiğinde şu sinyaller altın değerine gelir:

• Gelir düzenliliği (maaş günleri, dalgalanma)
• Hesap hareketlerinden nakit akışı dayanıklılığı
• Kredi kartı kullanım/limit oranı ve trendi
• Sektör bazlı istihdam riski (ör. bazı sektörlerde dönemsel daralma)
• Bölgesel emlak likiditesi ve fiyat oynaklığı (teminat satılabilirliği)

Bu sinyaller, makine öğrenmesi ile tek bir “evet/hayır” kararından çok daha fazlasına dönüşür: kredi limiti, vade, peşinat, risk bazlı fiyatlama gibi parametreleri optimize edebilirsiniz.

2) Şok dönemlerinde modelin hızla “yeniden kalibrasyonu”

Faiz artışı gibi kırılmalarda en büyük hata, modeli aylarca aynı bırakmaktır. Yapay zekâ sistemlerinde doğru yaklaşım:

• Veri drift (veri dağılımı kayması) izleme
• Performans drift (tahmin gücü kayması) izleme
• Segment bazlı kalibrasyon
• Politika/limit setlerinin model çıktısına bağlı dinamik güncellenmesi

Bu sayede “toplu frene basmak” yerine, sadece riskli segmentleri sıkılaştırıp iyi segmentte hızlanabilirsiniz.

3) Açıklanabilir karar: Regülasyon ve müşteri iletişimi

Bankacılıkta “kara kutu” kabul görmez. Bu yüzden uygulamada en iyi sonuç, şu ikisinin birlikte tasarlanmasıyla geliyor:

• Yüksek performanslı model (ör. gradient boosting)
• Açıklama katmanı (ör. SHAP benzeri özellik katkıları)

Müşteriye “Neden reddedildim?” sorusuna verilecek yanıt; iç denetim, uyum ve risk komiteleri için de hayat kurtarır.

Risk yönetiminde AI: Erken uyarıdan tahsilata kadar pratik senaryolar

Kısa cevap: AI, kredi yaşam döngüsünün her adımında (başvuru–izleme–tahsilat) karar kalitesini artırır. Faiz artışının konuşulduğu bir dönemde asıl kazanç, “kötüleşmeyi erken yakalamak”tan gelir.

Erken uyarı sistemi (EWS): 30-60 gün önceden sinyal

Erken uyarı modelleri; gecikme olmadan önce davranışsal sinyalleri yakalar:

• Otomatik ödeme talimatı iptali
• Maaş girişinde düzensizlik
• Hesapta gün sonu bakiye erimesi
• Kredi kartında minimum ödeme eğilimi

Bu sinyallerle bankanın yapabileceği şey yalnızca “tahsilata devretmek” değil. Daha iyi seçenekler var:

• Proaktif yapılandırma önerisi
• Takvim uyarlaması (maaş gününe göre ödeme günü)
• Mikroseviyede geçici limit ayarı

Risk bazlı fiyatlama: Herkese aynı oran devri bitti

Faizler yükselince kârlılık baskısı artar. AI ile:

• aynı üründe farklı risk seviyelerine farklı marj
• teminat kalitesi ve LTV’ye göre fiyat
• gelir oynaklığına göre vade optimizasyonu

kurgulanabilir. Buradaki hedef basit: riskin maliyetini doğru müşteriye doğru şekilde yansıtmak.

Tahsilat analitiği: “En sert aksiyon” çoğu zaman en pahalı aksiyon

Tahsilatta AI’nin güçlü olduğu alanlar:

• Müşteri başına en uygun iletişim kanalı/zamanı
• Ödeme olasılığına göre aksiyon sıralaması
• Yapılandırma tekliflerinin kişiselleştirilmesi

Bu, hem NPL oranı hem de operasyon maliyeti üzerinde net etki üretir.

Türkiye’de bankalar ABD’den hangi dersleri çıkarmalı?

Net cevap: Faiz şokları küresel; dayanıklılık yerel tasarlanır. ABD’de mortgage faizindeki yükseliş, Türkiye için “bizde birebir aynısı olur” demek değil. Ama şu üç ders doğrudan uygulanır.

1) Kredi politikası “tek parça” olmamalı

Faizler yükselirken herkese aynı sıkılaştırmayı uygulamak, iyi müşteriyi kaybettirir. AI ile politikayı segmentlere bölebilirsiniz:

• Gelir istikrarına göre
• Meslek/sektöre göre
• Bölgesel teminat likiditesine göre
• Borçluluk trendine göre

2) Model yönetişimi olmadan AI sahada çalışmaz

Başarılı uygulamalarda mutlaka şunlar var:

• Model risk yönetimi çerçevesi (onay, izleme, yeniden eğitim)
• Veri kalite kontrolleri
• Adalet/ayrımcılık testleri (fairness)
• Açıklanabilirlik raporları

3) Kredi yaşam döngüsü uçtan uca ele alınmalı

Sadece başvuru skoru yetmez. Faiz artışı dönemlerinde değer, izleme ve erken uyarı tarafında büyür. Bankalar genelde skoru “kapıda” güçlü kurup içeride zayıf bırakıyor. En çok da burada fırsat var.

Sık sorulan iki soru (bankacılık ekiplerinden)

“Faizler yükselirken model performansı neden bozuluyor?”

Çünkü model, eğitim verisindeki ilişkileri öğrenir. Rejim değişince (faiz, enflasyon, iş gücü dinamikleri) değişkenlerin anlamı kayar. Çözüm: drift izleme + kalibrasyon + kontrollü yeniden eğitim.

“AI ile daha fazla kredi mi veririz, daha az mı?”

Doğru kurulumla hedef “daha fazla” veya “daha az” değil; daha doğru. Bazı segmentlerde onay oranı düşer, bazı segmentlerde artar. Toplam portföy kalitesi yükselirken, kârlılık daha öngörülebilir hale gelir.

Faiz artışı döneminde uygulanabilir 30 günlük aksiyon planı

Net cevap: Önce görünürlük, sonra karar otomasyonu. Aşağıdaki plan, büyük dönüşüm projelerine girmeden de değer üretir.

1. İlk 7 gün: Portföyü faiz duyarlılığına göre kırın (vade, LTV, gelir tipi, sektör).
2. 8-14 gün: Drift izleme metriklerini belirleyin (PSI, performans sapması, segment bazlı default).
3. 15-21 gün: Erken uyarı için 8-12 davranışsal sinyal seçin ve pilot kurgulayın.
4. 22-30 gün: Tahsilat ve yapılandırmada “next best action” kural+model hibrit yaklaşımını devreye alın.

Bu adımların her biri, yapay zekâ ekosistemine “pilot” gibi girmenizi sağlar: hızlı öğrenme, düşük risk, ölçülebilir çıktı.

Son söz: Mortgage faizleri yükseliyor diye frene basmak yetmez

ABD’de mortgage faizinin %6,14’e yükselmesi ve başvuruların azalması, kredi piyasasında ritmin değiştiğini gösteriyor. Banka tarafında doğru refleks “genel sıkılaştırma” değil; AI destekli risk yönetimiyle hassas ayar yapmak.

Bu yazı serisinde savunduğum yaklaşım net: Kredi skorlama, erken uyarı ve risk bazlı fiyatlama aynı masada tasarlanmalı. Türkiye’de rekabetin sert olduğu bir ortamda, bu bütünlük hem risk komitelerinin aradığı kontrolü sağlar hem de satış tarafının ihtiyaç duyduğu hızı korur.

Sizce kurumunuz faiz şoklarına karşı daha çok hangi tarafta zorlanıyor: doğru müşteriyi seçmekte mi, yoksa portföy bozulmasını erken yakalamakta mı?