Bankalarda Kredi Risk Modellemesinde Yapay Zekâ ve Makine Öğreniminin Kullanımının Değerlendirilmesi

Abstract

Bu araştırma, bankalarda kredi riski yönetiminde AI/ML modellerinin uygulanmasını inceleyecek ve süreçteki modellerin verimliliğini etkileyen faktörleri belirlemeye çalışacaktır. Araştırma aynı zamanda kredi riski yönetimi sürecinde modellerin yorumlanabilirliğine ilişkin çalışanın tutumunu belirlemeyi ve uygun sonuçları analiz etmeyi amaçlamaktadır. Bu çalışmada, katılımcıların verileri yapılandırılmış bir anket aracılığıyla toplanmıştır; 102 yanıt alındı ve analiz edildi. Regresyon analizi sonucunda kredi puanı (β =-0,228, p = 0,029), borç-gelir oranı (β=0,158, p=0,125), talep edilen kredi tutarı (β=-0,240, p=0,081) ve yıllık gelir (β=0,003, p=0,980) kredi sonuçlarını önemli ölçüde etkileyerek varyansın %14,7'sini açıklamaktadır (R²=0,147, F (5,96) =3,301, p=0,009). Ayrıca korelasyon sonuçları, etkileşim tercihlerinin yorumlanabilirlik standartlarının desteğiyle pozitif ve anlamlı bir şekilde ilişkili olduğunu ortaya çıkardı, r = 0,265, p = 0,007. Gelecekteki çalışmalar, makroekonomik dikkate alınarak bir modelin zaman içindeki performansının sürekli izlenmesini hedeflemelidir. Ayrıca davranışsal veriler ve farklı AI/ML yöntemlerinin performansının karşılaştırılması yapılabilir. Bu, artan karmaşık finansal ortamda AI/ML modelleri için sağlam ve etik en iyi uygulamaları korurken, daha iyi AI/ML modelinin oluşturulmasına ve geliştirilmesine başlamaya yardımcı olacaktır. Anahtar Kelimeler: Kredi riski değerlendirmesi, AI/ML modelleri, kredi sonuçları, yorumlanabilirlik, finansal kurumlar.

This research looks at the application of AI/ML models in credit risk management in banks and will seek to determine the factors that influence the efficiency of the models in the process. The research also seeks to establish the attitude of employee concerning the interpretability of the models in credit risk management process and seek to analyze the appropriate implications. In this study, respondents' data were gathered through a structured questionnaire; 102 responses were retrieved and analyzed. The regression analysis revealed that credit score (β = -0.228, p = 0.029), debt-to-income ratio (β=0.158, p=0.125), loan amount requested (β=-0.240, p=0.081), and annual income (β=0.003, p=0.980) significantly influence loan outcomes, explaining 14.7% of the variance (R²=0.147, F(5,96) =3.301, p=0.009). Also, the correlation results revealed that the interaction preferences were positively and significantly related to the support of interpretability standards, r = 0. 265, p = 0. 007. Future work should target the continuous monitoring of a model's performance over time, considering macroeconomic and behavioral data, and comparing the performance of different AI/ML methods. This will help start the generation and improvement of better AI/ML model while maintaining sound and ethical best practice for AI/ML models in the rising complex financial environment.