Objašnjivi modeli strojnog učenja za procjenu kreditnog rizika

diplomski rad

• Naslov (engleski): Explainable Machine Learning Models for Credit Risk Assessment
• Autor: Toma Puljak
• Mentor: Zvonko Kostanjčar (mentor)
• Član povjerenstva: Zvonko Kostanjčar (predsjednik povjerenstva)
• Član povjerenstva: Tomislav Petković (član povjerenstva)
• Član povjerenstva: Stjepan Begušić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-07-13, Hrvatska

Sažetak

Zbog regulacija koje su postavljene od Europskog bankovnog tijela, svi modeli strojnog učenja koji se koriste u procjeni kreditnog rizika moraju biti u potpunosti objašnjivi. Zbog tih regulacija, financijske institucije pri procjeni kreditnog rizika koriste jednostavnije modele strojnog učenja, poput logističke regresije, koji često nemaju najveću točnost. Ovaj diplomski rad istražuje različite slojeve objašnjivosti koje treba zadovoljiti model "crne kutije", specifično XGBoost, kako bi bio u skladu s trenutnom regulativom i predlaže izračun doprinosa značajki promjeni PD-a i migraciji kategorije rizika. Obje su implementirane metode zadovoljile trenutne propise i financijske institucije bi ih mogle koristiti za implementaciju XGBoosta za procjenu kreditnog rizika.

Sažetak (engleski)

Because of regulations posed by the European Banking Authority, all machine learning models used in credit risk assessment need to be fully explainable. This made financial institutions resort to using simple machine learning models, such as logistic regression, when assessing credit risk, which often do not have highest accuracies. This thesis explores different explainability layers that need to be satisfied by a "black-box" model, specifically XGBoost, to comply with current regulation and proposes the calculation feature contributions to PD change and risk category migrations. Both methods proved to satisfy current regulations and could be used by financial institutions to deploy XGBoost for credit risk assessment.

• Ključne riječi: Objašnjivo strojno učenje; XGBoost; Procjena kreditnog rizika
• Ključne riječi (engleski): Explainable machine learning; XGBoost; Credit risk assessment
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:076269
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 10:15:33