Validation of machine learning and deep learning models in credit scoring
Kredi skorlamasında makine öğrenmesi ve derin öğrenme modellerinin validasyonu
- Tez No: 917800
- Danışmanlar: PROF. DR. ŞÜKRÜYE TÜYSÜZ
- Tez Türü: Doktora
- Konular: Maliye, Finance
- Anahtar Kelimeler: Derin öğrenme, Destek vektör makineleri, Kredi riski, Kredi skorlama, Lojistik regresyon modelleri, Makine öğrenmesi, Model geçerliliği, Rastgele ormanlar, Çok katmanlı perseptronlar, Deep learning, Support vector machines, Credit risk, Credit scoring, Logistic regression models, Machine learning, Model validation, Random forests, Multilayer perceptrons
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Finansal İktisat Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, kredi skorlamasında kullanılan makine öğrenimi (ML) ve derin öğrenme (DL) modelleri için, model yaşam döngüsünün tüm aşamalarını kapsayan ve model risk yönetim çerçevesinin gereksinimleriyle uyumlu, kapsamlı bir validasyon çerçevesi sunmaktadır. Önerilen çerçeve, ML ve DL modellerinin yüksek tahmin performansını korurken, aynı zamanda bu modellerin kurumsal risk yönetim sistemlerine doğru bir şekilde entegrasyonunu sağlamaktadır. Geleneksel validasyon uygulamaları, çoğunlukla nicel doğrulamaya odaklanmakta ve bütüncül bir yaklaşım benimsememektedir. Bu durum,“kara kutu”doğasına sahip ML ve DL algoritmalarının doğrulanmasında önemli zorluklara yol açmaktadır. Bu çalışma, finans sektöründe gelişmiş yapay zekâ yöntemlerinin, özellikle de“kara kutu”algoritmalarının, sorumlu bir şekilde benimsenmesine olanak tanıyacak uygulanabilir bir validasyon çerçevesi sunmaktadır. 2015-2023 yılları arasında kredi skorlamasında ML ve DL modelleri üzerine yayınlanmış 150 makale incelenmiştir. Literatürde en sık kullanılan algoritmalar olan lojistik regresyon (geleneksel), destek vektör makineleri (ML), rastgele orman (topluluk ML) ve çok katmanlı algılayıcı (DL), LendingClub veri seti kullanılarak geliştirilmiş ve önerilen validasyon çerçevesi bu modeller üzerinde uygulanmıştır. LendingClub veri seti; yeterli örneklem boyutu, 10 yıllık ekonomik döngüyü kapsayan güncel tarihsel veri, uygun bir temerrüt oranı ve yeterli sayıda değişken içermektedir. Model performansları, karışıklık matrisi, kesinlik oranı, F1 skoru, doğruluk, Brier skoru, ROC eğrisi, Gini katsayısı ve SHAP metrikleri kullanılarak değerlendirilmiştir. Elde edilen bulgular, niteliksel doğrulamanın ve sürekli kullanım testlerinin (periyodik izleme de dahil olmak üzere) önemini güçlü bir şekilde vurgulamaktadır.
Özet (Çeviri)
This thesis presents a comprehensive validation framework for machine learning (ML) and deep learning (DL) models in credit scoring. The framework covers all stages of a model life cycle and aligns with the requirements of a model risk governance framework. It facilitates the proper integration of ML and DL models into enterprise risk management systems while maintaining high predictive performance. Traditional validation practices, which primarily focus on quantitative methods, often lack a holistic approach and struggle to validate ML and DL algorithms due to their black-box nature. By offering actionable guidelines, the proposed validation framework supports the responsible adoption of advanced AI methods, including black-box algorithms, within the financial industry. A review of 150 published papers on ML and DL models in credit scoring, covering the period from 2015 to 2023, was conducted. Subsequently, the most frequently used credit scoring algorithms—logistic regression (traditional), support vector machines (ML), random forest (ensemble ML), and multilayer perceptron (DL)—were selected for scoring model development and the implementation of the proposed validation framework using the LendingClub dataset. This dataset includes an adequate sample size, recent historical data spanning a 10-year economic cycle, an appropriate default rate, and a sufficient number of features. Model performance was evaluated using metrics such as the confusion matrix, precision ratio, F1 score, accuracy, Brier score, ROC curve, Gini coefficient, and SHAP values. Our findings highlight the importance of qualitative validation and ongoing use testing, including periodic monitoring.
Benzer Tezler
- Sürekli rejim şartlarında nükleer yakıt çubuklarında tek ve iki boyutlu ısı iletiminin analizi
In steady-state conditions analyses of one and two dimensional conduction in nuclear fuel rods
İBRAHİM ATILGAN
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERCAN ATAER
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Geleneksel konutlarda ahşap yapı konstrüksiyonları Ankara Erzurum Mahallesi örneği
Başlık çevirisi yok
MUALLA KALFAGİL
- UHT (ultra high temperature) süt hazırlanışı öncesinde ve sonrasında uygulanan bakteriyolojik muayeneler ve değerlendirilmesi
Başlık çevirisi yok
NURAN YAVUZ
Doktora
Türkçe
1987
Gıda MühendisliğiUludağ ÜniversitesiHidrobiyoloji Ana Bilim Dalı
PROF. DR. AHMET MİNBAY
- Adana ili, turunçgil toptan fiyatlarının analizi
Başlık çevirisi yok
USULET ÖZTUNÇ
Yüksek Lisans
Türkçe
1987
ZiraatÇukurova ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
DOÇ. DR. OĞUZ YURDAKUL