Ticari kredi limit tahmini için açiklanabilir ve yorumlanabilir makine öğrenimi modeli
Yükleniyor...
Dosyalar
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Karabük Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Kredi limitlerinin doğru ve etkin bir şekilde belirlenmesi, bankaların risk yönetimini iyileştirerek kredilerin geri ödenmeme olasılığını azaltmakta ve kaynakların daha verimli bir şekilde kullanılmasını sağlamaktadır. Bundan dolayı kredi limitinin belirlenmesinde kullanılan tahmin yöntemlerinin doğruluğu hem finansal kurumlar hem de müşteriler açısından büyük bir öneme sahiptir.
Bu çalışma, kredi limit tahminini daha etkin hale getirmek amacıyla iki farklı model önermektedir. İlk model, sınıflandırma modeli olarak kredi limitini “artan” ya da “azalan” şeklinde sınıflandırmayı amaçlamaktadır. Kredi verilecek müşterinin
kendisini iyi-kötü, kabul ya da red gibi sınıflandıran birçok çalışma olmasına rağmen, kredi limitini yönlendirebilmeyi amaçlayan makine öğrenimi modeli olması ile bu çalışma mevcut çalışmalardan farklılık göstermektedir. Banka müşterinin kredi limitini azaltarak gelecekte oluşabilecek kredi bataklarına karşı önlem alabilir ya da müşterinin yeni talep ettiği kredi limitini kabul ya da red yapmak yerine müşterinin talebini belli miktarda karşılamaya karar verebilir. Bu model sayesinde, müşterinin istediği kredi limiti banka tarafından onaylanmamış olsa bile, mevcut limiti artırarak müşteri memnuniyetini ve banka kârlılığını artırma fırsatı yaratılabilir.
İkinci model ise tahmin modeli olup, bir kredi limitinin miktarını tahmin etmek üzere geliştirilmiştir. Önerilen model, kredi limitinin doğru bir şekilde tahmin edilmesi ve finansal kararların daha sağlam bir temele dayandırılması adına önemli katkılar sunmayı hedeflemektedir. Literatürde, kredi derecelendirme alanında genellikle makine öğrenimi algoritmalarının performansının karşılaştırıldığı görülmüştür. Elde edilen kredi limit tahmin modeli PSO (Parçacık Sürü Optimizasyonu) ile optimize edilen modeller arasından en yüksek başarıyı göstermiştir.
Önerilen tahmin modeli yüksek tahmin başarısı gösterse de elde edilen tahmin sonuçları açıklanabilir ve yorumlanabilir değildir. Bu nedenle, ticari kredi limiti tahminine ilişkin optimizasyon sonuçları ve modeldeki değişkenlerin katkısı, SHAP (Shapley Additive Explanations) tekniği ile açıklanabilir ve yorumlanabilir hale getirilmiştir. Ayrıca, elde edilen tahmin modeli; faiz oranları, kripto para, altın ve hisse senedi gibi diğer finansal tahminlerde de kullanılabilir.
The accurate and effective determination of credit limits plays a significant role in improving risk management for banks by reducing the likelihood of loan defaults and ensuring more efficient use of resources. Therefore, the accuracy of the forecasting methods used in setting credit limits is of great importance both for financial institutions and for clients. This study proposes two different models to make credit limit forecasting more effective. The first model, a classification model, aims to classify the credit limit as either "increasing" or "decreasing." While numerous studies have focused on classifying a client as good or bad, accepted or rejected, this study differs in its approach as it employs a machine learning model aimed at guiding the credit limit decision. By reducing a customer's credit limit, the bank can take preventive measures against potential future defaults, or alternatively, instead of fully accepting or rejecting a new credit limit request, the bank may decide to partially fulfill the customer's request. This model offers an opportunity to increase customer satisfaction and bank profitability by raising the existing limit, even if the requested credit limit is not fully approved. The second model is a regression prediction model developed to estimate the amount of a credit limit. The proposed model aims to make significant contributions to accurately forecasting the credit limit and grounding financial decisions on a more solid foundation. In the literature, it is common to compare the performance of machine learning algorithms in credit rating. The credit limit prediction model developed in this study achieved the highest success among models optimized with PSO. Although the proposed regression prediction model demonstrates high predictive success, the resulting predictions are not directly interpretable. Therefore, the optimization results related to commercial credit limit prediction and the contributions of the variables in the model have been made interpretable and explainable using the SHAP (Shapley Additive Explanations) technique. Additionally, the obtained prediction model can also be used in other financial forecasting areas such as interest rates, cryptocurrency, gold, and stock prices.
The accurate and effective determination of credit limits plays a significant role in improving risk management for banks by reducing the likelihood of loan defaults and ensuring more efficient use of resources. Therefore, the accuracy of the forecasting methods used in setting credit limits is of great importance both for financial institutions and for clients. This study proposes two different models to make credit limit forecasting more effective. The first model, a classification model, aims to classify the credit limit as either "increasing" or "decreasing." While numerous studies have focused on classifying a client as good or bad, accepted or rejected, this study differs in its approach as it employs a machine learning model aimed at guiding the credit limit decision. By reducing a customer's credit limit, the bank can take preventive measures against potential future defaults, or alternatively, instead of fully accepting or rejecting a new credit limit request, the bank may decide to partially fulfill the customer's request. This model offers an opportunity to increase customer satisfaction and bank profitability by raising the existing limit, even if the requested credit limit is not fully approved. The second model is a regression prediction model developed to estimate the amount of a credit limit. The proposed model aims to make significant contributions to accurately forecasting the credit limit and grounding financial decisions on a more solid foundation. In the literature, it is common to compare the performance of machine learning algorithms in credit rating. The credit limit prediction model developed in this study achieved the highest success among models optimized with PSO. Although the proposed regression prediction model demonstrates high predictive success, the resulting predictions are not directly interpretable. Therefore, the optimization results related to commercial credit limit prediction and the contributions of the variables in the model have been made interpretable and explainable using the SHAP (Shapley Additive Explanations) technique. Additionally, the obtained prediction model can also be used in other financial forecasting areas such as interest rates, cryptocurrency, gold, and stock prices.
Açıklama
Anahtar Kelimeler
Commercial credit, credit scoring, prediction, machine learning, classification, regression, particle swarm optimization, explainable AI, interpretability., Ticari kredi, kredi derecelendirmesi, tahmin, makine öğrenimi, sınıflandırma, parçacık sürü optimizasyonu, açıklanabilir yapay zekâ, yorumlanabilirlik.
