Yazar
Güntay, Levent, Bozan, E., Tigrak, U., Durdu, T., Ozkahya, G. E.
Basım Tarihi
2022
Basım Yeri
-
IEEE
Konu
Kredi puanlama, Açıklanabilir model, Makine öğrenimi, Vekil modelleme
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
978-166548313-1
Kayıt Numarası
d297c6c9-3c40-4f6b-a98d-f9defd801126
Lokasyon
Uluslararası Finans
Tarih
2022
Örnek Metin
Makine Öğrenimi (ML) sınıflandırma algoritmaları borçlunun kredi riskini doğru bir şekilde sınıflandırabilirken, kredi puanının belirleyicileri müşteriler, karar vericiler ve denetçiler tarafından net bir şekilde yorumlanamamaktadır. Kara kutu kredi puanlama mekanizmalarının şeffaf olmaması, bankacılık sistemine olan güveni azaltıyor ve işletmelerin finansmanı ve büyümesi üzerinde ciddi sonuçlar doğuruyor. Avrupa Birliği ve Amerika Birleşik Devletleri'ndeki son düzenlemeler, kredi karar mekanizmasının açıklanabilir ve şeffaf olmasını gerektirmektedir. Açıklanabilir bir kredi puanlama modeli geliştirmek için bir çerçeve sunuyoruz. Bilimsel yeniliğimiz, kredi puanlama için basit ve cimri bir Vekil yaklaşımını takip etmektir. Bu yaklaşım, en doğru 'kara kutu' modelinin örnek içi tahminlerine etkili bir şekilde uyan, açıklanabilir bir beyaz kutu modelini tahmin eder. Vekil kredi riski çerçevesini bir Türk bankasının sağladığı çek işlemleri verilerini kullanarak uyguluyoruz. Vekil ağacın performansının, en doğru kara kutu XGBoost modelinin performansına yeterince yakın olduğunu bulduk. Genel olarak bulgularımız, model doğruluğunda minimum azalma ile yüksek performanslı, açıklanabilir bir kredi puanlama modeli geliştirmenin mümkün olduğunu göstermektedir.
DOI
10.1109/TEMSCONEUROPE54743.2022.9802029
