Back to search

National and Kapodistrian University of Athens

Explainable artificial intelligence in credit risk assessment: a machine learning framework

Abstract

dc:description

Η αξιολόγηση της πιστοληπτικής ικανότητας των δανειοληπτών αποτελεί κρίσιμη λειτουργία για τα χρηματοπιστωτικά ιδρύματα, με σημαντικές επιπτώσεις τόσο στη χρηματοπιστωτική σταθερότητα όσο και στα δικαιώματα των καταναλωτών. Τα τελευταία χρόνια, οι μέθοδοι μηχανικής μάθησης έχουν προσελκύσει αυξανόμενο ενδιαφέρον, καθώς συχνά επιτυγχάνουν υψηλότερη προγνωστική ακρίβεια σε σύγκριση με τις παραδοσιακές στατιστικές προσεγγίσεις. Ωστόσο, η αυξημένη πολυπλοκότητά τους εγείρει ζητήματα διαφάνειας και ερμηνευσιμότητας, τα οποία καθίστανται ιδιαίτερα κρίσιμα στο πλαίσιο των αυστηρών κανονιστικών απαιτήσεων που διέπουν τις αυτοματοποιημένες πιστωτικές αποφάσεις. Η παρούσα εργασία εξετάζει την εφαρμογή τεχνικών μηχανικής μάθησης στην αξιολόγηση πιστωτικού κινδύνου, με έμφαση στην ερμηνευσιμότητα των μοντέλων και στη δυνατότητα γενίκευσής τους σε διαφορετικούς πληθυσμούς. Χρησιμοποιώντας το σύνολο δεδομένων German Credit, πραγματοποιείται συγκριτική ανάλυση τριών μοντέλων: της λογιστικής παλινδρόμησης ως καθιερωμένου σημείου αναφοράς, του τυχαίου δάσους (Random Forest) ως μεθόδου συνόλων (ensemble learning) και του XGBoost ως σύγχρονης τεχνικής ενισχυμένης βαθμιδωτής μάθησης. Για την ερμηνεία των προβλέψεων εφαρμόζεται η μεθοδολογία SHAP, η οποία επιτρέπει την ανάλυση της συμβολής κάθε μεταβλητής στις επιμέρους προβλέψεις. Τα εμπειρικά αποτελέσματα δείχνουν ότι το XGBoost επιτυγχάνει οριακά υψηλότερη διακριτική ικανότητα (ROC AUC 0,805) σε σύγκριση με τη λογιστική παλινδρόμηση (ROC AUC 0,796), γεγονός που υποδηλώνει ότι το όφελος από την αυξημένη αλγοριθμική πολυπλοκότητα είναι περιορισμένο. Η ανάλυση SHAP αναδεικνύει την κατάσταση του τρεχούμενου λογαριασμού ως τον σημαντικότερο παράγοντα πρόβλεψης, ενώ εντοπίζονται και δημογραφικές μεταβλητές μεταξύ των σημαντικών χαρακτηριστικών, γεγονός που εγείρει ζητήματα δικαιοσύνης και κανονιστικής συμμόρφωσης. Ιδιαίτερη σημασία έχει η εξωτερική επικύρωση του μοντέλου σε ανεξάρτητο σύνολο δεδομένων Australian Credit. Η εφαρμογή του εκπαιδευμένου μοντέλου σε διαφορετικό πληθυσμό οδήγησε σε πλήρη κατάρρευση της προγνωστικής του ικανότητας (ROC AUC 0,500), καταδεικνύοντας τους σοβαρούς κινδύνους που συνεπάγεται η χρήση μοντέλων χωρίς επαρκή έλεγχο γενίκευσης. Τα ευρήματα της μελέτης υπογραμμίζουν ότι η ερμηνευσιμότητα, η αυστηρή εξωτερική επικύρωση και η συνεχής παρακολούθηση των μοντέλων αποτελούν αναγκαίες προϋποθέσεις για την υπεύθυνη και κανονιστικά συμβατή εφαρμογή της τεχνητής νοημοσύνης στην αξιολόγηση πιστωτικού κινδύνου.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • ΜΟΥΚΑ ΕΦΗ-ΜΑΡΙΑ
  • MOUKA EFI-MARIA

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5325735

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

ΜΟΥΚΑ ΕΦΗ-ΜΑΡΙΑ; MOUKA EFI-MARIA. Explainable artificial intelligence in credit risk assessment: a machine learning framework. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5325735