{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5325735"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5325735","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Explainable artificial intelligence in credit risk assessment: a machine learning framework","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["ΜΟΥΚΑ ΕΦΗ-ΜΑΡΙΑ","MOUKA EFI-MARIA"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:47Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325735"],"render_values":[{"text":"uoadl:5325735","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325735","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325735","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5325735","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΟΥΚΑ ΕΦΗ-ΜΑΡΙΑ","MOUKA EFI-MARIA"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325735","https://pergamos.lib.uoa.gr/uoa/dl/object/5325735"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Assessing borrower creditworthiness constitutes a core function of financial institutions, with substantial implications for financial stability, regulatory capital adequacy, and consumer welfare. In recent years, machine learning techniques have gained increasing attention in credit risk assessment due to their potential to outperform traditional statistical models. However, their growing complexity raises significant concerns regarding transparency, interpretability, and regulatory compliance, particularly in the context of automated decision-making. This thesis investigates the application of machine learning methods to credit risk assessment, with particular emphasis on model interpretability and cross-population generalization. Using the German Credit dataset, three modeling approaches are systematically compared: logistic regression as a conventional benchmark, random forest as an ensemble-based method, and XGBoost as a modern gradient boosting algorithm. Model interpretability is addressed through the SHAP (SHapley Additive exPlanations) framework, enabling detailed examination of individual feature contributions to model predictions. Empirical results indicate that XGBoost achieves marginally higher discriminatory performance (ROC AUC of 0.805) compared to logistic regression (ROC AUC of 0.796), suggesting that the practical benefits of increased model complexity are limited for this dataset. SHAP analysis identifies checking account status as the most influential predictor, while certain demographic attributes also emerge among important features, raising fairness and ethical considerations. A key contribution of this study lies in its external validation analysis. When the model trained on German data is applied to an independent Australian Credit dataset, predictive performance deteriorates to chance levels (ROC AUC of 0.500), with the model failing to identify any defaulting borrowers. This result highlights the substantial risks associated with deploying credit risk models across different populations without rigorous external validation. Overall, the findings underscore the necessity of combining explainable artificial intelligence, robust validation procedures, and continuous model monitoring to ensure responsible and regulatorily compliant use of machine learning in credit risk assessment."]},{"key":"dc:title","label":"Title","values":["Explainable artificial intelligence in credit risk assessment: a machine learning framework"]}]}],"canonical_facts":{"dc:creator":["ΜΟΥΚΑ ΕΦΗ-ΜΑΡΙΑ","MOUKA EFI-MARIA"],"dc:date":["2026"],"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.","Assessing borrower creditworthiness constitutes a core function of financial institutions, with substantial implications for financial stability, regulatory capital adequacy, and consumer welfare. In recent years, machine learning techniques have gained increasing attention in credit risk assessment due to their potential to outperform traditional statistical models. However, their growing complexity raises significant concerns regarding transparency, interpretability, and regulatory compliance, particularly in the context of automated decision-making. This thesis investigates the application of machine learning methods to credit risk assessment, with particular emphasis on model interpretability and cross-population generalization. Using the German Credit dataset, three modeling approaches are systematically compared: logistic regression as a conventional benchmark, random forest as an ensemble-based method, and XGBoost as a modern gradient boosting algorithm. Model interpretability is addressed through the SHAP (SHapley Additive exPlanations) framework, enabling detailed examination of individual feature contributions to model predictions. Empirical results indicate that XGBoost achieves marginally higher discriminatory performance (ROC AUC of 0.805) compared to logistic regression (ROC AUC of 0.796), suggesting that the practical benefits of increased model complexity are limited for this dataset. SHAP analysis identifies checking account status as the most influential predictor, while certain demographic attributes also emerge among important features, raising fairness and ethical considerations. A key contribution of this study lies in its external validation analysis. When the model trained on German data is applied to an independent Australian Credit dataset, predictive performance deteriorates to chance levels (ROC AUC of 0.500), with the model failing to identify any defaulting borrowers. This result highlights the substantial risks associated with deploying credit risk models across different populations without rigorous external validation. Overall, the findings underscore the necessity of combining explainable artificial intelligence, robust validation procedures, and continuous model monitoring to ensure responsible and regulatorily compliant use of machine learning in credit risk assessment."],"dc:identifier":["uoadl:5325735","https://pergamos.lib.uoa.gr/uoa/dl/object/5325735"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Explainable artificial intelligence in credit risk assessment: a machine learning framework"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:47Z"}