AI Destekli Değerleme: Karşılaştırılabilir Analizden Senaryo Modellemesine

Giriş

Değerleme, kanıt ve muhakeme sürecidir. Emsal işlemler, işlem çarpanları, faaliyet tahminleri, iskonto oranları ve senaryo varsayımları ancak tanımlı bir varlığa, değerleme tarihine, hesap birimine, amaca ve piyasa katılımcısı bakış açısına bağlandığında faydalı hale gelir. Yapay zekâ kanıt toplamayı, normalizasyonu, emsal taramasını, model çalıştırmayı, duyarlılık analizini ve anlatı üretimini hızlandırabilir. Varlığın yasal kapsamını belirleyemez, zayıf kanıtı güvenilir kılamaz, piyasa belirsizliğini ortadan kaldıramaz veya hesap verebilir değerleme uzmanının yetkisini üstlenemez.

Bu makale şunları ele alır AI Destekli Değerleme: Karşılaştırılabilir Analizden Senaryo Modellemesine iki Matchpoint Partners hedef kitle için. Aile Ofisi CIO'ları ve Alternatif Yatırımlar Başkanları GCC, Birleşik Krallık, İsviçre, Singapur ve Avrupa Birliği genelinde tek aile ofisleri, çok aile ofisleri, özel servet şirketleri, özel bankalar ve dış varlık yöneticileri bünyesindeki yatırım profesyonellerini kapsar. UAE/GCC Gayrimenkul Geliştiricileri ve Finansal Sponsorlar kurucuları, üst yöneticileri, finans direktörlerini ve borç, mezzanine finansmanı veya ortak girişim öz sermayesi temin eden ve varlıkları nakde çeviren sermaye piyasası ekiplerini kapsar. Ekiplerin kamuya açık ve özel kanıtlar arasında tutarlı portföy ve işlem kararlarına ihtiyacı vardır. Ekiplerin sermaye temini, geliştirme kararları, yeniden finansman, ortak girişimler ve varlık satışları için savunulabilir değerlere ihtiyacı vardır.

Belirleyici soru şudur: bir kuruluş, kanıt kalitesini, belirsizliği, profesyonel muhakemeyi ve hesap verebilirliği korurken değerleme üretkenliğini ve karar kapsamını nasıl katlayabilir? Yanıt, yönetişime tabi bir değerleme sistemidir. Kaynak kanıtı dönüşümlerden, karşılaştırılabilir taramayı düzeltmeden, nokta tahminleri senaryo dağılımlarından, model çıktısını karar yetkisinden ve ölçülen üretkenliği atfedilen ticari değerden ayırır.

IFRS 13, gerçeğe uygun değeri, ölçüm tarihinde piyasa katılımcıları arasında düzenli bir işlemde çıkış fiyatı olarak tanımlar. Koşullara uygun değerleme tekniklerini, gözlemlenebilir girdilerin en üst düzeye çıkarılmasını ve gözlemlenemeyen girdilerin en aza indirilmesini gerektirir [1]. 31 Ocak 2025'ten itibaren geçerli olan Uluslararası Değerleme Standartları, veri ve girdiler, değerleme modelleri, dokümantasyon ve raporlamaya yönelik özel standartlar içerir [2]. 2025 IPEV Değerleme Kılavuzları bu gerçeğe uygun değer disiplinini özel sermayeye uygular [3]. RICS, otomatik değerleme modellerini, amaca, piyasaya, veriye ve riske bağlı olarak profesyonel katılımla bir değerleme sürecini destekleyebilen veya sürecin bir parçasını oluşturabilen bir yelpaze olarak tanımlar [4-5].

Bu gereklilikler, her maddi dönüşümün incelenebilir kalması koşuluyla artırımı destekler. Karşılaştırılabilir işlem motoru adayları hızla bulabilir. Değerleme uzmanının yine de her işlemin neden ilgili olduğunu, hangi düzeltmelerin desteklenebilir olduğunu ve ortaya çıkan aralığın değerlemeye konu varlığı yansıtıp yansıtmadığını tespit etmesi gerekir. Tahmin motoru yüzlerce senaryo hesaplayabilir. Karar vericinin yine de ekonomik durumları, bağımlılıkları, yönetim eylemlerini ve olasılık ele alışını onaylaması gerekir. Dil modeli bir muhtıra taslağı hazırlayabilir. Yine de kontrollü bir kanıt paketine ve insan onayına ihtiyaç vardır.

Bölgesel kanıtlar genişliyor. Dubai Land Department; işlemler, kiralar, projeler ve değerlemeleri kapsayan açık gayrimenkul verileri sunuyor [11]. 2026'nın ilk çeyreğinde AED 252 billion değerinde 60.303 gayrimenkul işlemi bildirdi [12]. Bu veriler seçilmiş sorular için piyasa gözlemlenebilirliğini artırır. Her varlığı homojen hale getirmez, ilişkili taraf etkilerini ortadan kaldırmaz, her ticari koşulu tanımlamaz veya düzeltme olmadan bir değer tesis etmez.

AI benimsenmesi kontrol kapsamını da değiştirir. UAE Merkez Bankası'nın Model Yönetimi Standartları, karar almada kullanılan modeller için yönetişim, izlenebilir veri, belgelenmiş geliştirme, onay, bağımsız doğrulama ve sürekli izleme gerektirir [6]. DFSA, 2025'te anketine yanıt veren 661 yetkili firmanın yüzde 52'sinin AI'i aktif olarak kullandığını bildirdi; yönetişim olgunluğu farklılık gösterdi ve yüzde 21'inin net hesap verebilirlikten yoksun olduğu bildirildi [9]. NIST'in AI Risk Yönetimi Çerçevesi, kontrolleri Yönetişim, Haritalama, Ölçme ve Yönetme etrafında düzenler [7-8]. Federal Reserve'in Nisan 2026'da revize edilen model riski rehberi ve PRA'nın Nisan 2026 denetim bildirisi, bankacılık kapsamlarında risk temelli envanteri, yönetişimi, geliştirmeyi, doğrulamayı, izlemeyi ve hafifletici önlemleri güçlendirir [14-15].

Katkı, şunları sağlayan pratik bir sistemdir:

• ve kararlar için tanımlanmış bir değerleme kapsamı;
• bir kanıt defteri ve kaynaktan çıktıya izlenebilirlik zinciri;
• bir karşılaştırılabilir seçimi ve düzeltme protokolü;
• şeffaf yöntemleri makine öğrenmesiyle birleştiren hibrit bir modelleme mimarisi;
• yönetişimli bir senaryo motoru;
• doğrulama, belirsizlik ve çekimserlik kontrolleri;
• iki varsayımsal açıklayıcı örnek;
• kanıta bağlı bir verimlilik ve gelir köprüsü; ve
• doksan günlük bir benimseme yol haritası.

Analiz, 1 Ağustos 2026'ya kadar erişilebilen birincil akademik çalışmaları, resmi standartları, düzenleyici kurum yayınlarını ve resmi piyasa verisi kaynaklarını incelemektedir. Düzenleyici ve muhasebe uygulanabilirliği kuruluşa, yargı bölgesine, amaca, müşteriye, varlığa ve raporlama esasına bağlıdır. Ampirik çalışmalar, inceledikleri örneklemler kapsamında raporlanmaktadır. Gelir, nakit maliyet azaltımı, kayıp azaltımı veya alfa için onaylanmış gözlemlenmiş Matchpoint ya da müşteri kanıtı sağlanmamıştır. Bu atfedilen değerler USD 0. olarak kalmaktadır.

Değerleme Kapsamı

Amaç yöntemden önce gelir

Bir değerleme süreci, model seçimiyle değil, imzalı bir talimatla başlamalıdır. Talimat; değerlemeye konu menfaati, yasal ve ekonomik hakları, hesap birimini, değerleme tarihini, para birimini, amacı, değer esasını, hedeflenen kullanıcıları, kısıtlamaları, önemli varsayımları ve raporlama standardını belirtmelidir. Bir pay sahipliği, gayrimenkul, geliştirme projesi, borç aracı, fon payı ve faaliyet gösteren işletme, bir kontrol paneli bunları tek bir portföyde sunsa bile farklı kanıtlar gerektirebilir.

IFRS 13'ün gerçeğe uygun değer çerçevesi, diğer IFRS standartları tarafından gerekli kılınan veya izin verilen ölçümlere özgüdür [1]. Her kararın gerçeğe uygun değerle ölçülmesi için genel bir gereklilik yaratmaz. SEC'in 2a-5 Kuralı, Amerika Birleşik Devletleri'ndeki kayıtlı yatırım şirketleri ve iş geliştirme şirketleri tarafından iyi niyetle yapılan gerçeğe uygun değer tespitlerini ele alır [13]. Çerçevesi; risk değerlendirmesi, metodoloji seçimi, test etme, fiyatlama hizmetleri, gözetim ve kayıtlar için faydalı karşılaştırmalı kanıtlar sunar. Hukuki uygulanabilirliği, belirtilen kapsamıyla sınırlıdır.

Fiyat, değer ve karar ayrı çıktılardır.

Gözlemlenen bir fiyat, bir işlemi fiili koşulları altında kaydeder. Bir değerleme, bir tarihte tanımlanmış bir esasa göre tahmin yapar. Bir yatırım kararı, tahmini sonuç dağılımını mandat, likidite, risk, alternatifler ve gerekli getiri ile karşılaştırır. Bir fiyat geçerli bir veri noktası ve uygun olmayan bir emsal olabilir. Bir gerçeğe uygun değer tahmini savunulabilir olabilir ve belirli bir aile ofisi için cazip olmayabilir. Bir geliştiricinin arsa değeri, düzenli piyasa katılımcısı varsayımı ile finansal sponsora özgü stratejik plan arasında farklılık gösterebilir.

Bu nedenle sistem üç çıktıyı korumalıdır:

1. Kanıt çıktısı: doğrulanmış işlemler, kotasyonlar, kiralar, maliyetler, oranlar ve işletme gözlemleri.
2. Değerleme çıktısı: yönteme özgü göstergeler, aralıklar, ağırlıklar, düzeltmeler ve sonuç.
3. Karar çıktısı: onaylanan eylem, limitler, koşullar, zamanlama ve hesap verebilir sahip.

Bu ayrım, modelin bir tahmini sessizce yatırım tavsiyesine veya finansman taahhüdüne dönüştürmesini önler.

ve karar hakları

Danışman kanıtları, modelleri ve seçenekleri yapılandırabilir. Karar, müşterinin yetkili organına aittir. Görevlendirme koşulları değerlemenin amacını, veri erişimini, dayanılabilirliği, sınırlamaları, çıkar çatışmalarını ve onay iş akışını belirtmelidir.

Güncel Standartlar Neleri Gerektirir

Piyasa kanıtları ve kalibre edilmiş teknik

IFRS 13 piyasa, gelir ve maliyet yaklaşımlarını tanır ve bir veya birden fazla tekniğe izin verir [1]. Teknik, koşullara uygun olmalı ve yeterli veriyle desteklenmelidir. Girdiler ilgili gözlemlenebilir kanıtı en üst düzeye çıkarmalıdır. İlk muhasebeleştirmede gözlemlenemeyen bir girdinin değerlenmesinde kullanılan model, söz konusu fiyat gerçeğe uygun değeri temsil ettiğinde işlem fiyatıyla tutarlı olacak şekilde kalibre edilmelidir. Teknikler tutarlı biçimde uygulanmalı; ancak bir değişiklik, gerçeğe uygun değeri eşit veya daha iyi temsil eden bir ölçüm ürettiğinde uygun olabilir.

Bu, AI kullanımı için bir test oluşturur. Daha fazla değişken, daha hızlı hesaplama veya daha düşük örneklem içi hata, daha temsili bir değerleme ortaya koymaz. Ekip, tekniğin konuya, piyasaya, tarihe ve amaçlanan kullanıma uygun olduğuna dair kanıta ihtiyaç duyar.

Veri, model, dokümantasyon ve raporlama

31 Ocak 2025'ten itibaren yürürlükte olan IVS, IVS 104 Veri ve Girdiler, IVS 105 Değerleme Modelleri ile IVS 106 Dokümantasyon ve Raporlamayı içeren revize edilmiş bir genel standart yapısı getirmiştir [2]. Yapı, yaşam döngüsü bakış açısını destekler:

• kapsamı ve dayanağı tanımlamak;
• verinin kaynağını belirlemek ve değerlendirmek;
• modelleri seçmek ve uygulamak;
• profesyonel yargıyı kullanmak;
• maddi dokümantasyonu saklamak; ve
• varsayımlar ve sınırlamalarla birlikte bir sonuç raporlamak.

IPEV 2025 Kılavuzları güncel özel sermaye iyi uygulamalarını sunar [3]. Özel piyasalar sıklıkla gözlemlenemeyen girdiler, kalibrasyon, şirket performansının dikkate alınması, piyasa kanıtları ve yargı gerektirir. AI tutarlılığı ve kapsamı iyileştirebilir. Bir modelin opaklığı veya bir satıcı etiketi, sonucun temel belirleyicilerini anlama gereğini ortadan kaldıramaz.

Otomatik değerleme modelleri

RICS, AVM'leri tek bir üründen ziyade bir spektrum olarak ele alır [4]. Bir uçta, bir model vakaya özgü profesyonel müdahale olmaksızın otomatik bir tahmin üretebilir. Diğer uçta, analitik profesyonel bir değerlemeyi destekler. RICS banka kredilendirme rehberi, doğrulamaya ve mutabık kalınan talimata tabi olmak üzere, gayrimenkulün yeterince homojen olduğu, piyasaların aktif olduğu ve verilerin yeterli olduğu durumlarda AVM'nin uygun olabileceğini belirtir [5]. Benzersiz, geliştirme amaçlı, uzmanlaşmış veya seyrek işlem gören gayrimenkuller daha güçlü vakaya özgü inceleme gerektirir.

Kontrol açısından sonuç, üç düzeyli bir sınıflandırmadır:

Pazarlama, gerçek düzeyi tanımlamalıdır. AI destekli bir memorandum, görevlendirme, standart, yetkinlik ve onay bu tanımı desteklemedikçe bağımsız profesyonel değerleme olarak sunulmamalıdır.

Değerleme Kanıt Defteri

Kanıt nesneleri

Yönetişimli bir süreç, kanıtı yapılandırılmış ve tarihli nesneler olarak saklar. Bir elektronik tablodaki sayı; kaynağını, gözlem tarihini, geçerlilik tarihini, para birimini, birimini, coğrafyayı, varlık niteliklerini, işlem durumunu, ilişki durumunu, güven düzeyini, dönüşümleri ve gözden geçireni korumalıdır.

Dubai Arazi Dairesi'nin açık veri hizmeti, seçilmiş işlem, kira, proje ve değerleme alanları için resmî bir kaynaktır [11]. Veri kümesi kullanılmadan önce profili çıkarılmalıdır: eksik alanlar, kopyalar, kodlamadaki değişiklikler, işlem türü, birim kuralları, coğrafya ve zaman gecikmeleri sonuçları etkileyebilir. Bir alanın var olması, onun tam veya ekonomik olarak karşılaştırılabilir olduğunu kanıtlamaz.

Kaynaktan çıktıya izlenebilirlik

Her önemli çıktı beş bağlantı üzerinden yeniden üretilebilmelidir:

1. kaynak dosya, kayıt veya uç nokta;
2. değiştirilemez veri alımı anlık görüntüsü;
3. dönüştürme kodu ve sürümü;
4. model ve parametre sürümü; ve
5. rapor hücresi, grafik veya paragraf.

Kanıt defteri, manuel değişiklikleri kaynak değerlerinden ayrı olarak kaydetmelidir. Bir analist bir işlemi hariç tutarsa, kapitalizasyon oranını değiştirirse veya kalite düzeltmesi uygularsa, sistem önceki değeri, yeni değeri, sahibi ve gerekçeyi saklamalıdır. Bu tasarım incelemeyi destekler ve gelecekteki bir inceleyicinin değerleme tarihinde mevcut olan bilgi kümesini yeniden oluşturmasına olanak tanır.

AI çıkarım sınırı

Dil ve belge modelleri kira tarihlerini, kira revizyonlarını, kovenantları, sermaye tablolarını, işlem şartlarını ve operasyonel metrikleri çıkarabilir. Çıkarım, kaynak pasajla doğrulanana kadar önerilen bir yapılandırılmış kayıt olarak ele alınmalıdır. Kayıt; belge tanımlayıcısını, sayfa veya hücreyi, çıkarılan metni, normalize edilmiş değeri, model sürümünü, güven düzeyini ve inceleyici kararını içermelidir.

Sistem aşağıdaki durumlarda çekimser kalmalı veya manuel inceleme gerektirmelidir:

• kaynak taranmışsa, eksikse veya kendi içinde tutarsızsa;
• bir tutarda para birimi veya birim eksik;
• bir hüküm başka yerlerdeki tanımlara bağlıdır;
• bir tablo gerçekleşen, bütçe ve tahmin dönemlerini birleştiriyor;
• bir işlem değeri borca, earn-out'lara veya koşullu bedele bağlıdır;
• bir taşınmaz özelliği resmi kanıtlarla çelişiyor; veya
• modelin güven düzeyi veya kural tabanlı doğrulaması onaylanmış eşiğin altına düşüyor.

Yanıt vermeme bir kontrol sonucudur. Kıt uzman zamanını otomasyonun en az güvenilir olduğu vakalara yönlendirir.

Kontrollü Bir İş Akışı Olarak Karşılaştırılabilir Analiz

Karşılaştırılabilir sorusu

Karşılaştırılabilir, ilgili farklılıklar dikkate alındıktan sonra piyasa katılımcılarının değerleme konusunu nasıl fiyatlayacağını tahmin etmeye yardımcı olan bir gözlemdir. Benzer adlar, sektörler veya posta kodları yeterli değildir. İş akışı, değerleme konusu ile aday arasındaki ekonomik ilişkiyi tanımlamalıdır.

Bir işletme için boyutlar iş modeli, coğrafya, gelir kalitesi, büyüme, marj, sermaye yoğunluğu, kaldıraç, büyüklük ve işlem tarihini içerebilir. Bir taşınmaz için boyutlar alt pazar, izin verilen kullanım, tasarruf biçimi, büyüklük, yaş, spesifikasyon, doluluk, gelir kalitesi, kira süresi, geliştirme durumu ve satış koşullarını içerebilir. Bir fon payı için boyutlar strateji, vintage, kalan ömür, ödenmemiş taahhüt, yoğunlaşma, NAV tarihi ve devir kısıtlamalarını içerebilir.

Aday üretimi ve uygunluk

İlk aşama, yazılı sınırlar içinde kapsamı en üst düzeye çıkarır. Arama; veritabanları, siciller, anlamsal belge erişimi ve yapılandırılmış filtreleri kullanabilir. İkinci aşama katı uygunluk kurallarını uygular. Üçüncü aşama ilgililiği sıralar. Dördüncü aşama analist incelemesi gerektirir.

Orijinal evren görünür kalmalıdır. Yalnızca seçilmiş işlemleri gösteren nihai bir rapor seçim yanlılığını gizleyebilir. İnceleyicilerin, hariç tutulan adayları ve yanlış enstrüman, farklı pazar, finansal sıkıntı, ilişkili taraf, eksik koşullar, güncelliğini yitirmiş tarih veya uyumsuz haklar gibi kodlanmış gerekçeleri görmesi gerekir.

Doğrudan eşleştirmeden özellik ayarlamasına

Hedonik analiz, fiyatı özelliklerin bir fonksiyonu olarak modeller. Rosen'ın 1974 çerçevesi, farklılaştırılmış ürünlerde örtük fiyatlar için ekonomik temeli oluşturmuştur [17]. Modern emsal sistemleri, bu fikri düzenlileştirilmiş regresyon, ağaç toplulukları ve diğer doğrusal olmayan yöntemler aracılığıyla genişletebilir. Rastgele ormanlar, korelasyonu giderilmiş ağaçları birleştirir ve esnek tahmin ile değişken önemi araçları sağlar [18]. Gradyan artırma, bir kayıp fonksiyonunun sıralı optimizasyonu yoluyla toplamalı bir fonksiyon oluşturur [19].

Bu yöntemler doğrusal olmayan ilişkileri ve etkileşimleri belirleyebilir. Kullanımları yine de kontroller gerektirir:

• hedef değişken değerleme sorusuyla eşleşmelidir;
• eğitim gözlemleri değerleme tarihinden önce gelmeli ya da değerleme tarihinde geçerli olmalıdır;
• gelecekten veya türetilmiş sonuç alanlarından kaynaklanan sızıntı kaldırılmalıdır;
• özellik mühendisliği ekonomik olarak mevcut bilgiyi yansıtmalıdır;
• çapraz doğrulama zaman, varlık ve coğrafyayı dikkate almalıdır;
• hata yalnızca toplu olarak değil, ilgili segment bazında raporlanmalıdır;
• dağılım dışı özneler işaretlenmelidir; ve
• model, önemli itici faktörlerin gözden geçirilmesini desteklemelidir.

Lundberg ve Lee'nin SHAP çerçevesi, toplamsal açıklama sınıfı içinde bireysel tahminlere öznitelik katkıları atar [20]. Bir açıklama, bir modelin bir çıktıyı nasıl ürettiğini gösterir. Nedensel etkiyi, veri kalitesini, adaleti veya değerleme uygunluğunu kanıtlamaz. Büyük bir pozitif öznitelik katkısı, dışlanması gereken bir değişkene bağımlılığı ortaya koyabilir.

Düzeltmeler ve aralıklar

Bir düzeltme yön, dayanak, büyüklük ve belirsizliği belirtmelidir. Altı ay önceki bir gayrimenkul işlemi, bir endeks veya eşleştirilmiş kanıtlarla desteklenen bir zaman düzeltmesi gerektirebilir. Daha küçük bir şirket, büyüklük veya likidite değerlendirmesi gerektirebilir. Bir arsa geliştirme işlemi, imar, altyapı ve ödeme koşulu düzeltmeleri gerektirebilir. Bir özel şirket işlemi, teminat hakları ve sermaye yapısının analizini gerektirebilir.

Çıktı, yapay bir kesinlik değil, bir dağılım veya aralık olmalıdır. Aralık; model belirsizliği, girdi belirsizliği ve senaryo belirsizliğini birleştirebilir. Daha geniş aralıklar, daha kapsamlı inceleme, daha az güven veya açıkça çekimser kalma kararını tetiklemelidir.

Hibrit Değerleme Mimarisi

Şeffaf çekirdek, makine desteği ve onaylı üst katmanlar

Mimari, ekonomik yöntemi görünür tutmalıdır. Makine öğrenmesi; kanıt keşfini, karşılaştırılabilir sıralamayı, doğrusal olmayan düzeltmeyi ve hata tespitini destekleyebilir. Şeffaf bir çekirdek, inceleme için gereken piyasa, gelir ve maliyet mantığını korur.

Asgari mimari şunları içerir:

• kaynak katmanı: erişim kontrolleriyle resmi, tedarikçi, müşteri ve piyasa kanıtları;
• kanıt katmanı: sürümlenmiş gözlemler, normalleştirme ve kalite bayrakları;
• model katmanı: doğrudan emsal, regresyon, ağaç modeli, DCF, rezidüel arsa ve maliyet modelleri;
• senaryo katmanı: durumlar, bağımlılıklar, yönetim eylemleri ve olasılık ele alışı;
• kontrol katmanı: envanter, onay, doğrulama, eşikler, geçersiz kılmalar ve izleme;
• karar katmanı: rapor, komite evrakı, koşullar ve hesap verebilir onay; ve
• öğrenme katmanı: gerçekleşen sonuçlar, hatalar, istisnalar ve giderim.

Model envanteri ve amaçlanan kullanım

CBUAE Model Yönetimi Standartları, yönetişim, veri, geliştirme, doğrulama, uygulama ve kullanım genelinde beklentileri tanımlar [6]. Federal Reserve'in SR 26-2'si Nisan 2026'da SR 11-7'nin yerini aldı ve kuruluşun model profiline, büyüklüğüne ve karmaşıklığına uyarlanmış risk temelli bir yaklaşımı vurgular [14]. PRA'nın mevcut SS1/23'ü, belirtilen bankacılık kapsamı içinde tanımlama ve sınıflandırma, yönetişim, geliştirme ve kullanım, bağımsız doğrulama ve hafifletici unsurları kapsayan beş ilke belirler [15].

Değerleme envanteri istatistiksel, finansal, kural tabanlı ve üretken bileşenleri içermelidir. Emsal sıralama algoritması, nihai sayıyı hesaplamasa bile değeri önemli ölçüde etkileyebilir. Takdire dayalı makrolar içeren bir elektronik tablo bir model olabilir. Bir tedarikçi API kullanıcının yönetişim çevresi içinde kalır.

Arayüz katmanı olarak üretken AI

Üretken AI, kanıt defterini sorgulayabilir, karşılaştırılabilir özetler hazırlayabilir, senaryo farklarını açıklayabilir ve komite notu bölümleri oluşturabilir. Kontrollü kaynaklardan veri almalı ve dayanak kaydına atıf yapmalıdır. Deterministik hesaplamalar kontrollü kod veya finansal modellerde çalıştırılmalıdır. Dil modeli, önemli değerler, olasılıklar veya kovenantlar için tek başına hesaplayıcı olmamalıdır.

NIST'in Üretken AI Profili; konfabülasyon, veri gizliliği, bilgi bütünlüğü ve insan-AI yapılandırması gibi riskleri tanımlar [8]. Güvenli bir tasarım, modelin araçlarını, veri alanlarını, çıktı şemasını ve izinlerini sınırlar. Yasal ve operasyonel açıdan uygun olduğunda istemleri, getirilen kanıtları ve çıktıları günlüğe kaydeder. Önemli beyanlar kaynak kontrolleri gerektirir.

Senaryo Modellemesi

Senaryolar tutarlı durumlardır

Duyarlılık analizi, diğerlerini sabit tutarak tek bir girdiyi değiştirir. Bir senaryo, birkaç itici faktörün birlikte hareket ettiği ve yönetim eylemlerini tetikleyebileceği tutarlı bir durumu tanımlar. Bir olasılık dağılımı, tanımlanmış bir stokastik yapı altında daha geniş bir sonuç kümesini tanımlar. Bu araçlar farklı soruları yanıtlar.

Bir geliştirici için daha yavaş satış hızı; daha yüksek teşvikler, daha düşük nakit tahsilatları, daha uzun inşaat finansmanı ve daha geç çıkışla aynı anda görülebilir. Bir aile ofisi için daha düşük çıkış çarpanları; daha zayıf kazançlar, geciken likidite ve değişen döviz kuru veya faiz ortamıyla aynı anda görülebilir. Bağımsız tek değişkenli duyarlılıklar bu bağımlılıkları olduğundan az gösterebilir.

İtici faktör haritası

Senaryo motoru, yönetimin inceleyebileceği nedensel ve sözleşmesel bağlantılarla başlamalıdır.

Model, amaç aşırı bir piyasa bozulmasını test etmek olmadıkça dahili olarak tutarsız kombinasyonları engellemelidir. Ciddi fiyat indirimleri içeren hızlı bir satış senaryosu geçerli olabilir. Bunun için açık bir esneklik varsayımı gerekir. Risk primleri genişlerse daha yüksek iskonto oranına sahip düşük faizli bir senaryo geçerli olabilir. Bunun için ayrıştırma gerekir.

Senaryo oluşturma protokolü

1. Kararı, zaman ufkunu ve değerleme tarihini tanımlayın.
2. Önemli ekonomik ve sözleşmesel sürücüleri seçin.
3. Onaylanmış kanıtları kullanarak merkezi bir senaryo oluşturun.
4. Tutarlı sürücü hareketleriyle alternatif durumları tanımlayın.
5. Yetki, maliyet ve gecikme unsurlarıyla yönetim aksiyonları ekleyin.
6. Nakit akışlarını, finansmanı, kovenantları ve terminal değerleri hesaplayın.
7. Sonuçları piyasa ve maliyet kanıtlarıyla mutabakatlayın.
8. Olasılıkları yalnızca yönetişim ve kanıtların bunları desteklediği durumlarda atayın.
9. Olasılıkların yanlış bir kesinlik yaratacağı durumlarda ağırlıklandırılmamış senaryoları raporlayın.
10. Her bir durumun tetiklediği eylem eşiklerini kaydedin.

AI destekli senaryo üretimi

AI, resmî açıklamaları, piyasa kanıtlarını, faaliyet raporlarını ve sözleşmeleri tarayarak risk etkenleri önerebilir. Tarihsel durumları kümeleyebilir ve atlanan bağımlılıkları arayabilir. Aday anlatılar üretebilir ve varsayımları sorgulayabilir. Aday senaryolar, sorumlu bir sahip onaylayana kadar öneri olarak kalır.

Sistem şunları ayırt etmelidir:

• gözlemlenen durum: tarihli kanıtlarla desteklenen;
• yönetim senaryosu: onaylanmış plan veya bütçe;
• piyasa katılımcısı senaryosu: tanımlanmış esasla tutarlı varsayımlar;
• stres senaryosu: kasıtlı olarak ağır ancak tutarlı;
• ters stres: değer, likidite veya kovenant eşiğini ihlal eden durum; ve
• keşifsel senaryo: Düşük kanıtlı olasılık, stratejik tartışma için saklanmıştır.

Olasılıklar dil modeli akıcılığından üretilmemelidir. Belirtilmiş bir istatistiksel, piyasa veya yönetişim temeli gerektirirler.

Doğrulama, Belirsizlik ve Çekimserlik

Doğrulama bağımsız bir sorgulamadır

Doğrulama; konsept, veri, uygulama, performans, kullanım ve raporlamayı kapsamalıdır. Bağımsızlık, önemlilikle orantılı olmalıdır. Gözden geçiren kişinin modeli sorgulayacak ve kullanımı kısıtlayacak yeterli yetkiye, yetkinliğe ve erişime sahip olması gerekir.

Hata ölçütleri

Ortalama mutlak hata, para birimi cinsinden yorumlanabilir. Medyan mutlak yüzde hata, aşırı yüzde hatalarının etkisini azaltır. Kök ortalama kare hata, büyük sapmaları cezalandırır. Sıra korelasyonu, tarama performansını test edebilir. Kalibrasyon, belirtilen aralıkların gerçekleşen sonuçları beklenen sıklıkta içerip içermediğini test eder. Tek bir ölçüt yeterli değildir.

Kok, Koponen ve Martinez-Barbosa, tanımlanmış bir ABD çok aileli konut varlıkları örnekleminde otomatik modelleri için yüzde 9 mutlak hata bildirmiştir [22]. Sonuç, bir AVM'nin belirli bir ortamda seçilmiş değerleme kıyas ölçütlerinden daha iyi performans gösterebileceğine dair ilgili bir kanıttır. Yeni doğrulama olmadan GCC geliştirme projelerine, özel şirketlere veya her mülk segmentine aktarılmamalıdır.

Tahmin aralıkları

Nokta tahminleri belirsizliği gizler. Konformal tahmin, seçilen bir tahmin modeli etrafında bir kalibrasyon seti kullanarak, varsayımları altında sonlu örneklem marjinal kapsamaya sahip dağılımdan bağımsız tahmin aralıkları oluşturabilir [21]. Kapsama, dağılım kayması altında bozulabilir ve marjinal kapsama, her alt grup veya varlık için eşit derecede güçlü kapsamayı garanti etmez.

Kurumsal bir rapor şunları göstermelidir:

• merkezi gösterge;
• onaylanmış değerleme aralığı;
• uygulanabildiğinde istatistiksel tahmin aralığı;
• senaryo aralığı;
• önemli gözlemlenemeyen girdiler;
• karşılaştırılabilir yayılım;
• dağılım dışı durumu; ve
• karar eşiği.

Çekimserlik matrisi

Motor şunu döndürmelidir manuel değerleme gerekli kanıt veya model uygunluğu onayının dışına düştüğünde.

Öncesi ve Sonrası Faaliyet Modeli

Mevcut parçalı iş akışı

Birçok değerleme süreci işi e-posta, klasörler, elektronik tablolar, PDF raporları ve piyasa veritabanları arasında dağıtır. Analistler bilgileri yeniden girer, emsal tablolarını yeniden oluşturur, tarihleri manuel olarak değiştirir ve bir inceleyici soru sorduktan sonra rakamların izini sürer. Aynı iş, izleme, komite evrakları ve kredi veren materyalleri için tekrarlanır. Kontrol, bireysel dosya disiplinine bağlıdır.

Kontrollü hedef iş akışı

Hedef süreç, uzman zamanını bilgi erişimi ve yeniden biçimlendirmeden sınır kararlarına, kanıtı sorgulamaya, düzeltmeye, senaryo tasarımına ve sonuca kaydırır. Bu kayma ham taslaklar üzerinden değil, kabul edilen çıktılar üzerinden ölçülmelidir.

İki varsayımsal açıklayıcı örnek

Senaryo A: geliştirme kararı

Açıklayıcı örnek Bir UAE/GCC geliştiricisi karma kullanımlı bir projeyi değerlendiriyor. Bu alt bölümdeki tüm rakamlar, tarihler ve sonuçlar, çerçeveyi göstermek üzere oluşturulmuş doğrulanmamış yönetim varsayımlarıdır. Bunlar bir değerleme, tahmin veya işlem önerisi değildir.

Merkezi brüt geliştirme geliri, teşvikler, iptaller, vergiler, ücretler ve diğer düzeltmeler öncesinde AED 1.125 billion olarak gerçekleşir. Aşağı yönlü senaryo; daha düşük fiyat, daha yavaş emilim, maliyet artışı ve daha uzun finansmanı birleştirir. Yukarı yönlü senaryo; daha güçlü fiyat, daha hızlı emilim ve daha kısa finansman süresini birleştirir. Bağımlılıklar, modelin her itici faktörü izole bir duyarlılık olarak ele almasını engeller.

Karşılaştırma modülü, arsa, birim ve tamamlanmış varlık işlemlerine ilişkin resmî ve onaylı satıcı kanıtlarını arar. Tam aday evrenini korur, ardından konum, kullanım, durum, tarih ve işlem türüne göre filtreler. İnceleyici; ödeme planı, manzara, spesifikasyon, tamamlanma aşaması, tapu ve toplu işlem koşullarına ilişkin düzeltmeleri onaylar. Senaryo modülü daha sonra fiyat ve emilimi tahsilatlara, inşaat finansmanına, borç kullanımına ve öz sermaye gereksinimlerine dönüştürür.

Karar eşikleri; azami zirve öz sermaye, asgari faiz karşılama oranı, kovenant marjı ve aşağı yönlü durumdaki asgari getiriyi içerebilir. Model, hangi varsayımın ilk olarak ihlale yol açtığını göstermelidir. AI sapma açıklamasını taslak olarak hazırlayabilir. Finans ve yatırım yetkilileri senaryoyu, finansman işlemini ve kararı onaylar.

Senaryo B: özel varlık kararı

Açıklayıcı örnek Bir aile ofisi, özel bir faaliyet şirketinde azınlık yatırımını değerlendiriyor. Bu alt bölümdeki tüm rakamlar, tarihler ve sonuçlar doğrulanmamış yönetim varsayımlarıdır. Bunlar bir değerleme, tahsis önerisi veya beklenen getiri değildir.

Emsal motoru; halka açık ve özel işlemleri iş modeli, coğrafya, büyüme, gelir kalitesi, marj, büyüklük, teminat hakları ve tarih açısından tarar. Her hariç tutma ve düzeltmenin etkisini gösterir. Gelir yaklaşımı, itici güç tabanlı bir tahmin kullanır. Senaryo motoru; operasyonel performansı, sermaye ihtiyacını, seyreltmeyi, çıkış zamanlamasını ve piyasa çarpanını birleştirir.

Aile ofisinin karar çıktısı; mandat uyumunu, likidite rezervini, yoğunlaşmayı, yönetişim haklarını, bilgi haklarını ve takip sermayesi kapasitesini ekler. Desteklenebilir bir şirket değeri, portföy uygunluğunu ortaya koymaz. Yatırım komitesi tahsisi ve koşulları onaylar.

Senaryo kanıt sınırı

Senaryo girdilerinin gözlemlenmiş bir doğrulaması yoktur. Değerleri pazarlamada, pazarlama iddialarında, vaka çalışmalarında veya performans atfında yer almamalıdır. Bu senaryolardan atfedilen Matchpoint veya müşteri geliri, nakit maliyet azaltımı, zarar azaltımı ve alfa USD 0. olarak kalır.

Verimlilik ve Gelir

Verimlilik birimi

Verimlilik birimi, kabul görmüş ve karar almaya hazır bir çıktı olmalıdır. Taslak metin, erişilen belgeler, oluşturulan emsaller ve model çalıştırmaları ara işlerdir. Ek inceleme veya hata maliyeti yaratan daha hızlı bir taslak, verimlilik artışı değildir.

Dış verimlilik kanıtı

Brynjolfsson, Li ve Raymond, 5.172 müşteri destek temsilcisine kademeli bir kullanıma almayı inceledi ve saat başına çözülen sorunlarda ortalama yüzde 15 artış bildirdi; etkiler heterojendi [23]. Noy ve Zhang'ın profesyonel yazma görevlerine ilişkin deneysel çalışması, tasarımı kapsamında daha kısa tamamlama süreleri ve daha yüksek çıktı kalitesi buldu [24]. Dell'Acqua ve ortak yazarlar 758 danışmanı inceledi ve test edilen AI yetenek sınırı içindeki görevlerde kazanç bildirdi; bu sınırın dışındaki bir görevde performans daha zayıftı [25].

Bu çalışmalar, üretken AI'in seçilmiş bilgi işi görevlerini iyileştirebileceğine dair güvenilir kanıt sunar. Bir değerleme verimliliği oranı tesis etmezler. Değerleme farklı kanıtları, profesyonel standartları, modelleri, sonuçları ve incelemeyi içerir. Matchpoint ve müşteri verimliliği kontrollü bir pilotta ölçülmelidir.

Doğrulanmamış örnek iş vakası köprüsü

Açıklayıcı örnek Bir ekibin ayda 20 kabul edilmiş değerleme veya izleme paketi tamamladığını varsayın. Kontrollü bir pilotun medyan insan süresini 24 saatten 18 saate düşürdüğünü, kabul, maddi düzeltme ve hata ölçütlerinin onaylanmış eşikler içinde kaldığını varsayın. Örnek serbest kalan kapasite ayda 120 saattir. Bu bir planlama hesaplamasıdır; gözlemlenmiş bir Matchpoint veya müşteri sonucu değildir.

Serbest kalan kapasite daha fazla kapsam, daha hızlı kararlar, daha yüksek kaliteli sorgulama veya müşteri işi için kullanılabilir. Gelir yalnızca kapasite imzalanmış bir görevlendirmeyi, kabul edilmiş bir teslimatı ve tahsil edilmiş ücreti destekliyorsa ortaya çıkar. Bir gelir formülü şu şekilde yazılabilir:

Tahsil edilen gelir = kabul edilmiş ücretli çıktılar x onaylanmış fiyat x tahsilat oranı - iadeler ve krediler

Her terim gözlemlenmiş kanıt gerektirir. Bu kanıt onaylanana kadar, atfedilen tahsil edilmiş gelir USD 0. olarak kalır

Hedef kitleye göre gelir yapısı

Geliştiriciler için bir hizmet; kanıt ve değerleme teşhisi, sermaye yapısı senaryo paketi, borç veren veya yatırımcı gerekçesi, model iyileştirme ve izlenen senaryo güncellemesini içerebilir. Aile ofisleri için ise özel varlık değerleme incelemesi, portföy değerleme sorgulaması, likidite senaryo paketi, işlem yüklenimi ve sürekli izlemeyi içerebilir. Ticari koşullar ayrı onay ve görevlendirme dokümantasyonu gerektirir.

Web sitesi ve araştırma makalesi yetenekleri ve kontrolleri tanımlamalıdır. Müşteriye özgü sonuç iddiaları gözlemlenmiş kanıt, onay ve uygun açıklama gerektirir.

Başarısızlık Modları ve Kontrol Yanıtları

Veri başarısızlığı

Eskimiş, çoğaltılmış, seçici olarak raporlanmış veya yanlış normalize edilmiş kanıtlar model kalitesine hâkim olabilir. Daha yüksek kapasiteli bir model, veri kusurlarını daha tutarlı biçimde yeniden üretebilir. Kontroller arasında kaynak önceliği, geçerlilik tarihleri, bütünlük kontrolleri, birim doğrulama, ilişki bayrakları, yinelenenleri tespit etme, mutabakat ve inceleyici örneklemesi yer alır.

Emsal seçimi başarısızlığı

Benzerlik algoritmaları, istatistiksel olarak faydalı görünen ancak ekonomik olarak uygun olmayan vekiller öğrenebilir. Analistler ayrıca emsalleri işine gelen şekilde seçebilir. Kontroller arasında yazılı evren, katı uygunluk kriterleri, tam dışlama kaydı, özellik incelemesi, alternatif sıralama yöntemleri ve örneklem dışı performans yer alır.

Tahmin ve senaryo başarısızlığı

Senaryolar tutarsız bağımlılıkları gizleyebilir, riskleri çift sayabilir, olasılıkları kanıt olmadan uygulayabilir veya finansman kısıtlarını göz ardı edebilir. Kontroller arasında itici faktör grafiği, muhasebe ve nakit mutabakatı, yönetim aksiyonu mantığı, ters stres ve bağımsız sorgulama yer alır.

Otomasyon yanlılığı

Cilalı anlatım ve kesin rakamlar kullanıcı güvenini artırabilir. Rapor, gözlemlenmiş kanıtı, model tahminlerini, yönetim varsayımlarını, üst katman düzeltmelerini ve doğrulanmamış senaryoları görünür şekilde ayırt etmelidir. İnceleyiciler, sonuçtan önce model uyuşmazlıklarını ve eksik kanıtları görmelidir.

Model kayması

Piyasa rejimleri, veri kapsamı, teşvikler ve varlık dağılımı değişir. İzleme; girdi dağılımını, hatayı, aralık kapsamını, geçersiz kılma oranını, eksiklik durumunu ve segment performansını test etmelidir. Eşik ihlali; kısıtlama, yeniden kalibrasyon, yeniden geliştirme veya kullanımdan kaldırmayı tetiklemelidir.

Siber güvenlik, gizlilik ve tedarikçi başarısızlığı

Değerleme sistemleri gizli finansal, sahiplik, mülkiyet ve işlem verileri içerebilir. Kontroller arasında asgari erişim, şifreleme, bölge ve saklama analizi, tedarikçi durum tespiti, olay müdahalesi, istem ve araç izinleri, çıktı filtreleme, yedekleme ve dışa aktarma kapasitesi yer alır. Bir tedarikçi hizmeti tek kanıt deposu haline gelmemelidir.

Yönetişim ve Yayın Geçitleri

Yönetişim, Haritalama, Ölçme ve Yönetme

NIST AI RMF, AI risk çalışmalarını dört işlevde düzenler [7]. Değerlemeye uygulandığında:

• Yönetişim: hesap verebilirliği, politikayı, envanteri, risk iştahını ve eskalasyonu belirleyin.
• Haritalama: kararı, kullanıcıları, konuyu, bağlamı, zararları ve bağımlılıkları tanımlayın.
• Ölçme: veriyi, modeli, belirsizliği, güvenliği, açıklanabilirliği ve insan kullanımını test edin.
• Yönetme: onaylayın, kısıtlayın, izleyin, iyileştirin, iletişim kurun ve kullanımdan kaldırın.

ISO/IEC 42001, bir AI yönetim sistemi için gereklilikleri belirtir ve sorumlu geliştirme ve kullanım için daha geniş bir kurumsal çerçeveyi destekler [16]. Benimseme veya sertifikasyon, belirli bir değerlemenin doğru olduğunun kanıtı olarak sunulmamalıdır.

Yayın geçitleri

Onay, modeli bir pazar, varlık türü, zaman aralığı, değer aralığı veya kullanımla sınırlayabilir. Başarılı bir pilot yalnızca test edilen kapsamı destekler.

Doksan Günlük Benimseme Yol Haritası

0-15. Günler: kapsam ve envanter

• sınırlı bir kullanım senaryosu seçin;
• amaç, dayanak, tarih, kullanıcılar ve karar haklarını belgeleyin;
• mevcut verilerin, modellerin, elektronik tabloların ve tedarikçilerin envanterini çıkarın;
• gizli verileri ve erişimi haritalandırın;
• kabul, hata ve verimlilik ölçütlerini tanımlayın; ve
• mevcut başlangıç durumunu kaydedin.

Kontrol noktası: onaylı talimat, sorumlu, başlangıç durumu ve veri erişim planı.

16-30. Günler: kanıt kayıt defteri

• kaynak hiyerarşisini ve veri sözlüğünü oluşturun;
• tarihli bir kanıt anlık görüntüsünü içe alın;
• köken, dönüşüm ve hariç tutma alanlarını oluşturun;
• tamlık, birimler, yinelenenler ve sızıntı açısından test edin;
• AI çıkarım incelemesini tanımlayın; ve
• temsili bir vaka seti hazırlayın.

Kontrol noktası: kanıt, kaynaktan normalleştirilmiş alana kadar izlenebilir.

31-45. Günler: emsal ve senaryo prototipi

• uygunluk ve sıralama kurallarını uygulayın;
• şeffaf kıyaslama yöntemleri oluşturun;
• özelliklere göre düzeltilmiş alternatifler ekleyin;
• senaryo sürücü grafiğini oluşturun;
• çekimserlik ve geçersiz kılma mantığını tanımlayın; ve
• kaynağa bağlı taslak çıktılar üretin.

Kontrol noktası: her sonuç yeniden üretilebilir ve sorgulanabilir olmalıdır.

46-60. Günler: bağımsız doğrulama

• kavramı, veriyi, kodu ve çıktıyı test edin;
• zaman duyarlı ve segment performans testlerini çalıştırın;
• tahmin aralıklarını ve dağılım dışı bayraklarını test edin;
• açıklamaları ve olumsuz vakaları gözden geçirin;
• güvenliği, erişimi ve tedarikçi yedek çözümünü test edin; ve
• bulguları giderin.

Kontrol noktası: kritik açık bulgu yok; onaylanmış kısıtlamalar kaydedildi.

61-75. Günler: gölge işletim

• yeni ve mevcut süreçleri paralel yürütün;
• süre, kabul, düzeltme ve istisna verilerini kaydedin;
• model ve gözden geçiren kararlarını karşılaştırın;
• geçersiz kılma gerekçesini ve sonucunu kaydedin;
• komite raporlamasını test edin; ve
• eşikleri iyileştirin.

Kontrol noktası: kanıtlar, belirtilen kapsam dahilinde kontrollü kullanımı destekler.

76-90. Günler: kontrollü kullanıma sunum

• model, veri ve kullanıcı izinlerini onaylayın;
• kullanıcıları ve gözden geçirenleri eğitin;
• izleme ve olay iş akışını etkinleştirin;
• değişiklik ve kullanımdan kaldırma süreçlerini tanımlayın;
• yalnızca onaylanmış kullanım senaryosunu kullanıma açın; ve
• uygulama sonrası gözden geçirmeyi planlayın.

Kontrol noktası: hesap verebilir makam, kullanıma sunumu ve sınırlamaları imzalar.

İddialar Kaydı ve Sınırlamalar

İzin verilen iddialar

Kanıtlar aşağıdaki sınırlandırılmış iddiaları desteklemektedir:

• AI ve makine öğrenmesi; kanıt çıkarımı, karşılaştırmalı analiz, modelleme ve senaryo üretimini destekleyebilir.
• Resmî değerleme standartları; tanımlanmış kapsam, uygun veri, yöntem, muhakeme, dokümantasyon ve raporlama gerektirir [1-5].
• Model riski çerçeveleri; envanter, yönetişim, doğrulama, izleme ve kontrolü vurgular [6-8,14-16].
• Birincil çalışmalar; seçili müşteri desteği, yazma ve danışmanlık görevlerinde üretkenlik iyileşmesi göstermektedir [23-25].
• Ticari gayrimenkule yönelik bir AVM çalışması, kendine özgü ABD çok aileli konut örnekleminde olumlu hata performansı bildirmiştir [22].
• Resmî Dubai verileri, seçili piyasa gözlemlerine erişimi iyileştirir [11-12].

Desteklenmeyen iddialar

Kanıtlar şunu ortaya koymamaktadır:

• bir AI çıktısının bir değerleme veya yatırım kararı olduğunu;
• tek bir modelin tüm GCC varlıkları ve rejimleri kapsamında doğru olduğunu;
• daha fazla verinin muhakeme ihtiyacını ortadan kaldırdığını;
• açıklamanın nedenselliği veya adilliği kanıtladığını;
• bir nokta tahmininin bir aralıktan daha karar açısından faydalı olduğunu;
• dış üretkenlik yüzdelerinin değerlemeye uygulanabileceğini;
• daha hızlı üretim tahsil edilen gelir yaratır; veya
• Matchpoint veya müşteri geliri, nakit tasarrufu, kayıp azaltımı ya da alfa üretmiştir.

Ampirik sınırlamalar

Matchpoint veya müşteri pilot veri seti, gerçekleşmiş değerleme sonuçları, zaman etüdü, hata serisi, kabul kaydı ya da gelir kanıtı sunulmamıştır. Örnekleyici ve senaryolar gözlemlenmiş vakalar değildir. Bu nedenle makale bir sistem ve test protokolü önermektedir. Devreye alınmış bir modelin performansını raporlamamaktadır.

Düzenleyici ve mesleki sınırlamalar

Muhasebe, değerleme, menkul kıymetler, borç verme, veri, AI ve mesleki gereklilikler kuruluşa, varlığa, yargı yetkisine, talimata ve tarihe göre değişir. Atıfta bulunulan SEC, Federal Reserve ve PRA materyalleri tanımlı kurumsal kapsamlara sahiptir. Bu kapsamlar dışında karşılaştırmalı kontrol kanıtı olarak kullanılırlar; evrensel yasal yükümlülük beyanları olarak değil.

Teknik sınırlamalar

Model performansı kaynak kapsamına, kodlamaya, öznitelik tasarımına, rejime, konuya ve amaçlanan kullanıma bağlıdır. Tahmin aralıkları yöntemlerine ve varsayımlarına bağlıdır. Üretici modeller desteklenmeyen içerik üretebilir. Tedarikçi modelleri değişebilir. Üretim sistemi sürüm kontrolü, doğrulama, izleme, erişim kontrolleri ve yedek mekanizma gerektirir.

Ticari sınırlamalar

Talep, fiyatlama, dönüşüm veya tahsilata ilişkin hiçbir tahmin onaylanmamıştır. Hizmet paketlemesi ve ücretler CK onayı ve müşteri katılım koşulları gerektirir. İlişkilendirilmiş gelir, nakit maliyet azaltımı, kayıp azaltımı ve alfa USD 0. olarak kalır

Sonuç

AI ile zenginleştirilmiş değerleme, kanıttan karara uzanan bir sistem olarak tasarlanmalıdır. Sistem amaç, haklar, dayanak, tarih ve yetkiyle başlar. Piyasa ve işletme kanıtlarını köken bilgisiyle saklar. Karşılaştırılabilir evreni, uygunluğu, sıralamayı, düzeltmeleri ve dışlamaları görünür tutar. Şeffaf değerleme yöntemlerini sınırlı makine desteğiyle birleştirir. Tutarlı senaryoları ve yönetim eylemlerini modeller. Belirsizliği raporlar ve onaylanmış kapsamın dışında çekimser kalır. Nihai yetkiyi hesap verebilir insanlara verir.

Aile ofisi CIO'ları ve alternatif yatırım birimlerinin başkanları için sistem, mandat, likidite ve yoğunlaşma incelemesini korurken özel varlık kararlarının tutarlılığını ve kapsamını artırabilir. UAE/GCC gayrimenkul geliştiricileri ve finansal sponsorlar için piyasa kanıtlarını, geliştirme varsayımlarını, sermaye yapısını ve karar eşiklerini tek bir yönetişimli süreçte birleştirebilir. Her iki durumda da verimlilik kabul edilmiş çıktılar üzerinden, ilişkilendirilmiş değer ise onaylanmış gözlemlenmiş ticari kanıtlar üzerinden ölçülmelidir.

Uygulamadaki temel disiplin izlenebilirliktir. Bir inceleyici sonuçtan yönteme, varsayıma, dönüşüme ve tarihli kaynağa geçebilmelidir. Bir komite bir eylemi onaylamadan önce belirsizliği, senaryo bağımlılığını ve model uyuşmazlığını görebilmelidir. Gelecekteki bir sonuç modeli ve kontrol kaydını güncellemelidir. Bu sayede AI, değerleme muhakemesini gizlemeden analitik kapsamı çoğaltabilir.

Kaynakça

[1] IFRS Vakfı. IFRS 13 Gerçeğe Uygun Değer Ölçümü. Yayımlanan Standartlar, 2024 baskısı. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] Uluslararası Değerleme Standartları Konseyi. Uluslararası Değerleme Standartları'nın yeni baskısı yayımlandı. 31 Ocak 2024; 31 Ocak 2025 tarihinde yürürlüğe girer. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] Uluslararası Özel Sermaye ve Risk Sermayesi Değerleme Kurulu. Uluslararası Özel Sermaye ve Risk Sermayesi Değerleme Kılavuzları. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Kraliyet Lisanslı Sörveyörler Kurumu. Otomatik değerleme modelleri. İçgörü makalesi, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Kraliyet Lisanslı Sörveyörler Kurumu. Banka kredisi değerlemeleri ve ipotek kredi değeri, 2. baskı. Aralık 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] UAE Merkez Bankası. Model Yönetimi Standartları. Duyuru 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] Ulusal Standartlar ve Teknoloji Enstitüsü. Yapay Zekâ Risk Yönetimi Çerçevesi (AI RMF 1.0). NIST AI 100-1, Ocak 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] Ulusal Standartlar ve Teknoloji Enstitüsü. Yapay Zekâ Risk Yönetimi Çerçevesi: Üretken Yapay Zekâ Profili. NIST AI 600-1, Temmuz 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Dubai Finansal Hizmetler Otoritesi. Yeni DFSA AI anketi: DIFC'de üretken AI benimsemesi neredeyse üç katına çıktı; yönetişim gelişimini sürdürüyor. 2025. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Uluslararası Menkul Kıymet Komisyonları Örgütü. Sermaye Piyasalarında Yapay Zekâ: Kullanım Örnekleri, Riskler ve Zorluklar. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Dubai Arazi Dairesi. Gayrimenkul Verileri: Açık Veri. Erişim tarihi: 1 Ağustos 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Dubai Arazi Dairesi. Dubai'deki gayrimenkul işlemleri 2026'nın ilk çeyreğinde %31 artışla AED 252 billion seviyesine ulaştı. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] ABD Menkul Kıymetler ve Borsa Komisyonu. Gerçeğe Uygun Değerin İyi Niyetle Belirlenmesi: Küçük Kuruluş Uyum Kılavuzu. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Federal Rezerv Sistemi Guvernörler Kurulu. SR 26-2: Model Riski Yönetimine İlişkin Revize Edilmiş Rehber. 17 Nisan 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] İngiltere Merkez Bankası, İhtiyati Düzenleme Otoritesi. SS1/23: Bankalar için model riski yönetimi ilkeleri. Güncel sürüm, Nisan 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Uluslararası Standardizasyon Örgütü. ISO/IEC 42001:2023, Bilgi teknolojisi - Yapay zekâ - Yönetim sistemi. 2023. https://www.iso.org/standard/42001

[17] Rosen, S. Hedonik Fiyatlar ve Örtük Piyasalar: Saf Rekabette Ürün Farklılaştırması. Politik Ekonomi Dergisi, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

[18] Breiman, L. Rastgele Ormanlar. Makine Öğrenmesi, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. Açgözlü Fonksiyon Yaklaşımı: Bir Gradyan Artırma Makinesi. İstatistik Yıllıkları, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M. ve Lee, S.-I. Model Tahminlerini Yorumlamaya Birleşik Bir Yaklaşım. Nöral Bilgi İşleme Sistemlerinde Gelişmeler 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N. ve Bates, S. Conformal Prediction'a Nazik Bir Giriş ve Dağılımdan Bağımsız Belirsizlik Nicelendirmesi. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L. ve Martinez-Barbosa, C. A. Gayrimenkulde Büyük Veri? Manuel Değerlemeden Otomatik Değerlemeye. Journal of Portfolio Management, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D. ve Raymond, L. İş Yerinde Üretken AI. Quarterly Journal of Economics, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S. ve Zhang, W. Üretken Yapay Zekânın Verimlilik Etkilerine İlişkin Deneysel Kanıtlar. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. ve Lakhani, K. R. Pürüzlü Teknolojik Sınırda Yol Almak: AI'in Bilgi Çalışanı Verimliliği ve Kalitesi Üzerindeki Etkilerine İlişkin Saha Deneyi Kanıtları. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Ek A. Asgari Değerleme Kanıt Kaydı

Ek B. Karşılaştırılabilir İnceleme Kontrol Listesi

• Değerleme konusu pay ve hesap birimi tanımlı mı?
• Değerleme tarihi kanıt sorgusunda zorunlu tutuluyor mu?
• Aday evreninin tamamı korunuyor mu?
• Katı uygunluk kuralları sıralamadan önce yazılı hale getirilmiş mi?
• Dışlanan her emsal için kodlanmış bir gerekçe var mı?
• İşlem koşulları ve teminat hakları normalize edilmiş mi?
• Zaman, büyüklük, kalite, haklar ve finansman düzeltmeleri belgelenmiş mi?
• Model gelecekteki bilgiyi ve hedef sızıntısını önlüyor mu?
• Hatalar önemli segment ve zaman bazında raporlanıyor mu?
• Değerleme konusu doğrulanmış veri dağılımı içinde mi?
• Yöntem göstergeleri mekanik ortalamayla birleştirilmek yerine uzlaştırılmış mı?
• Gözden geçiren düzeltmeleri, gerekçeleri ve önceki değerler korunmuş mu?
• Rapor dağılımı, belirsizliği ve sınırlamaları gösteriyor mu?

Ek C. Senaryo ve Sürüm Kontrol Listesi

• Karar ve zaman ufku tanımlanmış mı?
• Merkezi, aşağı yönlü, yukarı yönlü ve ters stres durumları tutarlı mı?
• Sürücü bağımlılıkları belgelenmiş mi?
• Yönetim aksiyonlarına yetki, maliyet ve gecikme atanmış mı?
• Nakit, finansman, vergi ve muhasebe akışları mutabakat sağlıyor mu?
• Olasılıklar destekleniyor mu yoksa ihmal mi ediliyor?
• Karar eşikleri ve ilk ihlali tetikleyen unsurlar görünür mü?
• Bağımsız doğrulama veri, yöntem, kod ve kullanımı kapsadı mı?
• Erişim, gizlilik, günlükleme ve tedarikçi yedek planı onaylı mı?
• Çekimserlik ve kısıtlama kuralları etkin mi?
• Kullanıcılar model sınırları ve otomasyon yanlılığı konusunda eğitildi mi?
• Sapma, hata, geçersiz kılmalar ve olaylar için izleme etkin mi?
• Nihai kararın sorumluluğu yetkili bir kişide mi?

Ek D. Sözlük

Çekimserlik: otomatik bir sonucu vermeyen ve vakayı manuel incelemeye yönlendiren kontrollü bir çıktı.

Otomatik değerleme modeli: gayrimenkul veya piyasa verilerinden tanımlı bir otomasyon derecesiyle değer tahmin eden matematiksel veya istatistiksel bir sistem.

Değer esası: bir değerin tahmin edildiği temel ölçüm varsayımları.

Kalibrasyon: bir modelin çıktısının, uygun olduğunda işlem fiyatı da dahil olmak üzere ilgili gözlemlenmiş kanıtlarla tutarlı olması için ayarlanması.

Emsal: ilgililik ve farklılıklar analiz edildikten sonra değerlemeye bilgi sağlamak için kullanılan gözlemlenmiş bir işlem, araç veya varlık.

Konformal tahmin: kalibrasyon verilerini ve tanımlanmış kapsama özelliklerini kullanarak tahmin kümeleri veya aralıkları oluşturan bir yöntem ailesi.

Kanıt defteri: her önemli girdiyi kaynağına, tarihine, dönüşümüne, inceleyicisine ve çıktı kullanımına bağlayan sürümlenmiş bir kayıt.

Açıklanabilirlik: girdilerin bir model çıktısını nasıl etkilediğini açıklayan bilgi; tek başına doğruluğu veya nedenselliği ortaya koymaz.

Model riski: yanlış, kötüye kullanılmış veya zayıf kontrol edilmiş modellere dayanan kararlardan kaynaklanabilecek potansiyel olumsuz sonuç.

Dağılım dışı: model geliştirme ve doğrulamada temsil edilen popülasyonun önemli ölçüde dışında kalan bir konu veya girdi.

Tahmin aralığı: yöntemin varsayımları altında belirtilen kapsama düzeyinde, gelecekteki veya gözlemlenmemiş bir sonucu içermek üzere tasarlanmış bir aralık.

Senaryo: bir sonucu veya kararı değerlendirmek için kullanılan, birbiriyle bağlantılı ekonomik, operasyonel ve finansman varsayımlarından oluşan tutarlı bir dizi.

Duyarlılık: genellikle dünyanın eksiksiz bir durumunu ileri sürmeksizin bir veya daha fazla varsayımın değiştirilmesinin etkisi.

Değerleme düzeltmesi: yeterince yansıtılmayan kanıt veya riskler için bir model veya yöntem göstergesine uygulanan belgelenmiş insan düzeltmesi.