Detailansicht
Explainable machine learning for credit risk assessment
a comparative analysis of model performance and interpretability
Julia Ornatowski
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Banking and Finance
Betreuer*in
Andrea Gaunersdorfer
Mitbetreuer*in
Christian Westheide
DOI
10.25365/thesis.73752
URN
urn:nbn:at:at-ubw:1-22280.29592.416354-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Trotz des Potenzials von maschinellen Lernmodellen im Finanz- und Wirtschaftsbereich stellt ihre undurchsichtige Natur ein Hindernis für ihre umfassende Umsetzung dar, insbesondere in stark regulierten Domänen. Ein Bereich, der das Potenzial Künstlicher Intelligenz (KI) daher noch nicht vollständig ausschöpft, ist die Kreditrisikobewertung. KI kann aufgrund ihrer Fähigkeit, große Datenmengen zu verarbeiten und komplexe Muster zu erkennen, präzisere Vorhersagen ermöglichen und das Risikomanagement verbessern. Gleichzeitig ist es entscheidend, transparente und faire Entscheidungsprozesse sicherzustellen. Fortschritte im Bereich der "erklärbaren KI" (XAI), also der Entwicklung von maschinellen Lernmodellen, die klare und verständliche Erklärungen für ihre Entscheidungen liefern, eröffnen neue Möglichkeiten, Transparenz zu schaffen und die Faktoren, die zur Entscheidungsfindung beitragen, zu verstehen. Diese Arbeit untersucht die Anwendung von maschinellen Lernmodellen in der Kreditrisikobewertung und analysiert den Kompromiss zwischen Modellgenauigkeit und Erklärbarkeit. Insbesondere wird untersucht, ob einfachere Modelle komplexe Modelle in der Vorhersage von Insolvenzen kleiner und mittelständischer deutscher Unternehmen übertreffen können. Im theoretischen Teil liegt der Fokus auf der Bedeutung eines verantwortungsvollen Technologieeinsatzes in der Kreditrisikobewertung, insbesondere im Kontext der erklärbaren KI. Im empirischen Teil werden verschiedene maschinelle Lernmodelle hinsichtlich ihrer Vorhersagegenauigkeit und ihrer Fähigkeit, den Einfluss von Eingangsvariablen auf die vorhergesagten Ergebnisse aufzuzeigen, verglichen. Die Ergebnisse deuten darauf hin, dass neuronale Netzwerke und Random-Forest-Modelle in der Vorhersage von Kreditausfallrisiken andere Modelle übertreffen. Allerdings liefern die angewendeten Erklärungstechniken keine eindeutigen Ergebnisse darüber, welche Variablen maßgeblich für die Vorhersagen der Black-Box-Modelle verantwortlich sind. Daher kann es in bestimmten Anwendungsfällen sinnvoll sein, einfachere Modelle wie Entscheidungsbäume zu wählen, die klare und interpretierbare Ergebnisse liefern, selbst wenn dies mit einer geringfügig geringeren Vorhersageleistung einhergeht.
Abstract
(Englisch)
Diese Arbeit untersucht die Anwendung von maschinellen Lernmodellen in der Kreditrisikobewertung und analysiert den Kompromiss zwischen Modellgenauigkeit und Erklärbarkeit. Insbesondere wird untersucht, ob einfachere Modelle komplexe Modelle in der Vorhersage von Insolvenzen kleiner und mittelständischer deutscher Unternehmen übertreffen können. Im theoretischen Teil liegt der Fokus auf der Bedeutung eines verantwortungsvollen Technologieeinsatzes in der Kreditrisikobewertung, insbesondere im Kontext der erklärbaren KI. Im empirischen Teil werden verschiedene maschinelle Lernmodelle hinsichtlich ihrer Vorhersagegenauigkeit und ihrer Fähigkeit, den Einfluss von Eingangsvariablen auf die vorhergesagten Ergebnisse aufzuzeigen, verglichen. Die Ergebnisse deuten darauf hin, dass neuronale Netzwerke und Random-Forest-Modelle in der Vorhersage von Kreditausfallrisiken andere Modelle übertreffen. Allerdings liefern die angewendeten Erklärungstechniken keine eindeutigen Ergebnisse darüber, welche Variablen maßgeblich für die Vorhersagen der Black-Box-Modelle verantwortlich sind. Daher kann es in bestimmten Anwendungsfällen sinnvoll sein, einfachere Modelle wie Entscheidungsbäume zu wählen, die klare und interpretierbare Ergebnisse liefern, selbst wenn dies mit einer geringfügig geringeren Vorhersageleistung einhergeht.
Schlagwörter
Schlagwörter
(Deutsch)
KI Maschine Learning Kreditrisikobewertung
Schlagwörter
(Englisch)
Credit risk management XAI AI
Autor*innen
Julia Ornatowski
Haupttitel (Englisch)
Explainable machine learning for credit risk assessment
Hauptuntertitel (Englisch)
a comparative analysis of model performance and interpretability
Paralleltitel (Deutsch)
Erklärbare maschinelle Lernverfahren für die Bewertung von Kreditrisiken
Paralleluntertitel (Deutsch)
eine vergleichende Analyse der Modellleistung und Interpretierbarkeit
Publikationsjahr
2023
Umfangsangabe
66 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Andrea Gaunersdorfer
Klassifikationen
54 Informatik > 54.80 Angewandte Informatik ,
85 Betriebswirtschaft > 85.30 Investition. Finanzierung
AC Nummer
AC16873104
Utheses ID
67161
Studienkennzahl
UA | 066 | 974 | |