Site icon Finans ve Bankacılık

FİNANS SEKTÖRÜNDE YAPAY ZEKÂ VE MAKİNE ÖĞRENMESİ: KREDİ TAHMİNLEMEDEN ALGORİTMİK ÖNYARGIYA

OzcanK
yapay zeka

Giriş

Finans sektörü, son yıllarda dijital dönüşümün ve teknolojik gelişmelerin en yoğun yaşandığı alanlardan biri olarak dikkat çekmektedir. Yapay zekâ (YZ) ve makine öğrenmesi (MÖ) teknolojilerindeki çarpıcı ilerlemeler, finans kurumlarının operasyonel süreçlerini temelden değiştirerek, karar alma mekanizmalarına yenilikçi bir boyut kazandırmıştır. Bu teknolojiler, müşteri etkileşimlerinden risk analizine, pazarlama stratejilerinden yatırım danışmanlığına kadar finansal hizmetlerin pek çok alanında uygulama bularak süreçleri optimize etmekte ve doğruluk oranlarını artırmaktadır.

Geleneksel finansal analiz yöntemlerinin, piyasaların karmaşık ve değişken yapısı karşısındaki sınırlılıkları göz önüne alındığında, YZ ve MÖ yöntemleri, büyük veri setlerini etkin bir şekilde işleme, doğrusal olmayan ilişkileri tespit etme ve yüksek hassasiyetle tahminler yapabilme kabiliyetleri sayesinde finans dünyasında vazgeçilmez bir araç haline gelmiştir. Bu kapsamlı blog yazısı, YZ ve MÖ’nün finans sektöründeki dönüştürücü etkilerini; özellikle kredi risk tahminlemesi, banka endeksi hareket yönlerinin tahmini gibi kritik uygulama alanları ve bu sistemlerde ortaya çıkabilen algoritmik önyargı sorunlarına yönelik geliştirilen çözümler bağlamında ele alacaktır. Ayrıca, YZ sistemlerinin şeffaflığını ve anlaşılabilirliğini sağlamak için hayati önem taşıyan Açıklanabilir Yapay Zekâ (XAI) tekniklerine de odaklanılacaktır.

Finans Sektöründe Yapay Zekâ ve Makine Öğrenmesinin Dönüşümü

Yapay zekâ teknolojileri, finans sektöründe veri analitiği alanındaki benzersiz kabiliyetleri sayesinde köklü bir dönüşümün temelini atmıştır. Geleneksel yaklaşımlarda, analistler geçmiş verilere dayalı öngörüler oluşturmak için yoğun manuel hesaplamalar, raporlama ve kontrol mekanizmalarına ihtiyaç duymaktaydı. Ancak günümüzde, makineler, insan gücüyle elde edilemeyecek kadar büyük veri setlerini saniyeler içinde analiz edebilmekte ve potansiyel risk faktörlerini gerçek zamanlı olarak tanımlayarak proaktif önlemler alabilmektedir. Bu durum, özellikle kredi skorlarının oluşturulması, dolandırıcılık tespiti, portföy analizi ve risk yönetimi gibi finansal alanlarda iş süreçlerini önemli ölçüde hızlandırmakta ve hata oranlarını kayda değer biçimde azaltmaktadır.

Yapay zekânın finans sektöründeki bir diğer önemli etkisi, müşteri etkileşiminin ve deneyiminin iyileştirilmesidir. Gelişmiş dil modelleri (LLM’ler), kullanıcıların metin tabanlı diyaloglar aracılığıyla çeşitli bankacılık ve finans hizmetlerine kolayca erişmesini mümkün kılmaktadır. Örneğin, mobil bankacılık uygulamalarına entegre edilen sohbet robotları (chatbotlar) sayesinde müşteriler, kredi başvuruları hakkında detaylı bilgi alabilmekte veya otomatik yatırım önerileri edinebilmektedir. Bu tür sistemler, müşterilere zaman tasarrufu ve kolaylık sağlarken, bankaların çağrı merkezi ve müşteri hizmetleri üzerindeki operasyonel yükünü de azaltarak verimliliği artırmaktadır.

Bankaların iş yapma biçimlerini etkileyen ve müşterilerin farkında bile olmadan deneyimlediği birçok yapay zekâ çözümü bulunmaktadır:

Yapay zekanın finans sektöründeki bu geniş çaplı kullanımı, küresel düzeyde belirgin bir olgunlaşma evresine girdiğini göstermektedir. Amerika Birleşik Devletleri’ndeki büyük bankalar YZ destekli sohbet botlarına ve gelişmiş makine öğrenimi modellerine yatırımlarını artırırken, Avrupa’da finans sektörü yasal uyum süreçlerinde YZ tabanlı “RegTech” çözümlerine yönelerek denetim maliyetlerini ve ceza risklerini önemli ölçüde azaltmaktadır. Asya-Pasifik bölgesinde Çin, YZ teknolojilerini finansal hizmetlerde yaygınlaştırmada öncü konumdadır; büyük dijital ödeme platformları YZ destekli kredi skorlaması ve anında kredi onayı gibi hizmetler sunarak, geleneksel bankacılık hizmetlerinden yeterince yararlanamayan geniş kitleleri finansal ekosisteme dahil etmektedir.

Japonya’da finans kuruluşları, blockchain ve YZ’yi bir araya getirerek uluslararası para transferlerinde güvenliği artıran projeler geliştirmekte, Hindistan’da ise büyük bankalar müşteri hizmetleri ve risk analizi alanlarında YZ destekli sohbet botlarını ve büyük veri analizini standart operasyon süreçlerine entegre etmiş durumdadır. Türkiye’de de benzer bir eğilim gözlenmekte olup, büyük ölçekli bankalar YZ tabanlı dijital asistanlar aracılığıyla müşteri etkileşimini zenginleştirmekte ve BDDK gibi düzenleyici kurumlar YZ ve büyük veri teknolojilerine ilişkin mevzuat çalışmalarını hızlandırmaktadır.

Kredi Risk Tahminlemesi ve Skorlamasında Yapay Zekâ Uygulamaları

Banka kredisi tahmini, finansal risklerin doğru bir şekilde öngörülmesi ve kredi başvurularının etkin bir biçimde değerlendirilmesi açısından kritik bir öneme sahiptir. Dünya genelinde artan borçlanma eğilimleri, finansal kuruluşların kredi talebinde bulunanların borçlarını zamanında geri ödeyebilme yeteneklerini doğru bir şekilde tahmin etme ihtiyacını daha da artırmaktadır. Geçmişte kredi riskini değerlendirmek için tek değişkenli, çoklu diskriminant ve çoklu regresyon analizleri gibi istatistiksel yöntemler kullanılmış olsa da hisse senedi fiyatları gibi karmaşık ve doğrusal olmayan finansal ilişkileri tam olarak yakalamada bu geleneksel modeller sınırlı kalmıştır.

Son yıllarda, makine öğrenmesi (MÖ) yöntemleri, finansal serilerin doğrusal olmayan ve durağan olmayan özelliklerini ele alarak yüksek doğrulukta tahminler yapabilme yetenekleriyle öne çıkmıştır. Özellikle, derin öğrenme yöntemleri, büyük hacimli veri setlerini etkili bir şekilde işleyebilme ve karmaşık doğrusal olmayan ilişkileri belirleyebilme kapasiteleri sayesinde doğrusal modellerden ve geleneksel MÖ modellerinden daha yüksek performans sergilemektedir. Bu durum, bankaların kredi risklerini minimize ederek kârlılıklarını artırmalarına önemli ölçüde katkı sağlamaktadır.

Çeşitli MÖ algoritmaları, banka kredisi tahmini problemlerine yönelik performansları açısından kapsamlı bir şekilde incelenmiştir. Bu incelemelerde algoritmaların tahmin doğruluğu, kesinliği ve hata oranları gibi performans metrikleri temel alınmıştır. Yapılan çalışmalar, Topluluk Öğrenmesi teknikleri altında bulunan algoritmaların (XGBoost, LightGBM, CatBoost, Random Forest, AdaBoost, Gradient Boosting) banka kredisi tahmini gibi hassas finansal konularda diğer bireysel öğrenme algoritmalarına kıyasla daha başarılı olduğunu ortaya koymuştur.

Örneğin, bir araştırmada CatBoost, XGBoost ve LightGBM yöntemleri hem doğruluk hem de hata kriterlerinde diğer sınıflandırma algoritmalarına göre üstün performans göstermiştir. CatBoost, %81,96’lık doğruluk oranıyla en başarılı model olarak belirlenirken, XGBoost ve LightGBM de sırasıyla %81,85 ve %81,80 doğruluk oranlarıyla yüksek başarı sergilemiştir. Bu algoritmaların başarısı, büyük hacimli verileri etkili bir şekilde işleme ve karmaşık doğrusal olmayan ilişkileri belirleme yeteneklerinden kaynaklanmaktadır.

Kredi skorlama sistemleri

Genel olarak müşterinin verilerinin toplanması, elde edilen verinin çeşitli istatistiksel veya makine öğrenmesi teknikleriyle işlenmesi ve kredi risk analizinin yapılarak nihai kredi kararının belirlenmesi aşamalarından oluşur. Bu sistemlerin temel amacı, kredi kararı aşamalarında oluşabilecek hataları önlemek, farklı karar faktörlerinin değerlendirilmesinde standart bir çözüm sunmak, karar süreçlerini kısaltmak ve temerrütleri azaltmaktır; bu da ülke ekonomisinin gelişimine önemli katkı sağlar. Her bankanın kendi kredi kriterlerine göre uyarlanabilen, kesinliği yüksek makine öğrenmesi teknikleri tabanlı çözümler üzerinde yoğun çalışmalar yapılmaktadır.

Örneğin, New York merkezli bir startup olan Petal, geleneksel kredi puanlama sistemi yerine makine öğrenimi teknolojisi kullanarak müşterilerinin kredi yeterliliğini belirlemekte ve bu sayede kredi puanı düşük olan tüketicilerin bile kredi kartı sahibi olabilmesini sağlamaktadır. Petal, potansiyel müşterilerinin dijital mali kayıtlarını gerçek zamanlı olarak analiz etmekte, gelirlerini doğrulamakta ve aylık giderlerini ölçmektedir.

Kredi tahminleme süreçlerinde veri ön işleme büyük önem taşımaktadır. Veri setlerindeki hatalı, anlamsız veya eksik verilerin temizlenmesi ve dönüştürülmesi, modelin başarısı için kritik bir adımdır. Eksik veriler, global bir değerle, medyanla, kategori ortalamasıyla tamamlanabilir veya silinebilir. Ayrıca, özellik seçimi yöntemleri (Bilgi Kazanımı, Kazanım Oranı) kullanılarak veri setindeki sonuca etkisi yüksek olan nitelikler belirlenir ve veri boyutu azaltılarak hesaplama maliyeti ve süresi düşürülürken eğitim başarısı artırılır.

Sınıf Dengesizliği ve Yeniden Örnekleme Yöntemleri

Kredi risk tahmini gibi gerçek dünya problemlerinde sıklıkla karşılaşılan önemli bir sorun, veri setlerindeki sınıf dengesizliğidir. Bu durum, bir sınıfın (çoğunluk sınıfı) diğerine (azınlık sınıfı) göre çok daha fazla örnek içermesiyle ortaya çıkar ve modelin çoğunluk sınıfına doğru yanlı bir tahmin yapmasına yol açar. Bu sorunu gidermek için çeşitli yeniden örnekleme yöntemleri kullanılmaktadır:

Yapılan araştırmalar, yeniden örnekleme yöntemlerinin model performansını iyileştirmede oldukça etkili olduğunu göstermektedir. Örneğin, Alman ve Avustralya kredi puanlama veri setleri üzerinde yapılan bir çalışmada, ROS yöntemi ile Random Forest (RF) ve CatBoost sınıflandırıcılarının birleştirilmesi en yüksek doğruluk oranlarını (%89.05 ve %89,29) sağlamıştır. SMOTE yöntemi ise özellikle CatBoost sınıflandırıcısının genelleme kabiliyetine önemli katkı sağlamış, tahmin doğruluğunu %80’den %85’e yükseltmiştir. Bu sonuçlar, sınıf dengesizliği sorununa sahip veri setlerinde doğru yeniden örnekleme stratejilerinin ve algoritmaların seçilmesinin kritik önemini vurgulamaktadır.

Performans değerlendirmesinde doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1-skoru, ortalama mutlak hata (MAE) ve ortalama karekök hata (RMSE) gibi metrikler kullanılmaktadır. Kredi risk tahmininde, “yanlış negatif” (Gerçekte ‘Başarılı’ olan müşterinin ‘Başarısız’ olarak etiketlenme durumu) olarak ifade edilen “Type I Accuracy” ölçütü özellikle önemlidir, çünkü bu tür bir hatanın finansal maliyetleri daha yüksek olabilir.

BIST Banka Endeksi Tahmini ve Açıklanabilir Yapay Zekâ

Banka endeksleri, genellikle bir ülkenin finansal sektöründeki performansı yansıtarak ekonomik sağlığın önemli bir göstergesi olarak kabul edilmektedir. Borsa endekslerinin gelecekteki eğiliminin doğru bir şekilde öngörülmesi, yatırımcılar, karar vericiler ve ekonomi yöneticileri için büyük önem taşımaktadır. Doğru tahminler, yatırımcıların portföylerinde sağlıklı ayarlamalar yapmalarına ve etkili alım-satım stratejileri oluşturmalarına olanak tanırken, piyasa düzenleyicileri için doğru kararlar almakta ve düzeltici önlemler uygulamakta rehberlik sağlayabilir.

Türkiye’nin önde gelen banka hisselerini içeren BIST Banka Endeksi‘nin hareket yönlerinin derin öğrenme yöntemiyle tahmini üzerine yapılan bir çalışmada, 01.01.2013-31.12.2023 dönemindeki haftalık kapanış değerleri ile birlikte, mevduat ve kredi faiz oranları, gecelik faiz oranları, mevduat ve kredi hacimleri, bankacılık sektörü aktif toplamı, döviz kurları (Dolar ve Euro) ve BIST 100 endeksi kapanış değerleri gibi çeşitli finansal ve makroekonomik göstergeler girdi verisi olarak kullanılmıştır. Analiz sonucunda, derin öğrenme yöntemiyle BIST Banka Endeksi’nin hareket yönleri %88,70 doğrulukta tahmin edilmiştir. Bu başarı oranı, uluslararası benzer çalışmalarla karşılaştırıldığında yakın seviyelerde olmakla birlikte, BIST Banka Endeksi’ne odaklanan önceki çalışmalardan daha üstün bir tahmin performansı sergilemiştir. Bu durumun, kullanılan girdi değişkenlerinin çeşitliliği ve derin öğrenme modellerinin optimizasyonundan kaynaklandığı düşünülmektedir.

Açıklanabilir Yapay Zekâ (XAI) ve Algoritmik Önyargı

Yapay zekâ sistemleri, işe alım süreçlerinden yasal düzenlemelere kadar toplumun birçok yönünü giderek daha fazla etkilemektedir. Ancak bu sistemlerde ortaya çıkabilen algoritmik önyargı, belirli grupları diğerlerine tercih ederek adil olmayan sonuçlar yaratabilen sistematik hataları ifade eder. Örneğin, bir iş başvurusunun, adayın niteliklerinden ziyade kullanılan YZ sisteminin belirli demografik grupları tercih etmesi nedeniyle reddedilmesi durumu, bu sistemlerdeki şeffaflık ve düzenleyici müdahalelerin önemini açıkça ortaya koymaktadır. Algoritmik önyargının geçmişi, kredi skorlama sistemlerinde azınlık gruplarının haksız yere kredi alamamasına yol açan önyargılı verilerin kullanımına kadar uzanmaktadır.

Önyargının temel kaynakları arasında, modellerin eğitildiği veri setlerindeki önyargılar, algoritma tasarımındaki önyargılar ve YZ sistemlerinin geliştirilmesi ve uygulanması sürecinde yer alan insan gözetimindeki önyargılar bulunmaktadır. Bu önyargılar, mevcut sosyal eşitsizlikleri ve ekonomik farklılıkları pekiştirebilir, hatta ayrımcılık karşıtı yasaların ihlali gibi ciddi hukuki ve etik sorunlara yol açabilir.

Bu bağlamda, YZ modellerinin karar verme süreçlerini daha şeffaf ve anlaşılır kılmak için Açıklanabilir Yapay Zekâ (XAI) kavramı büyük önem taşımaktadır. XAI, YZ sistemlerinin neden belirli bir tahminde bulunduğunu veya bir kararı nasıl aldığını anlamamıza yardımcı olur. Bu, geliştiricilerin kararların nasıl alındığını anlamalarını ve olası önyargıları belirlemelerini sağlar.

XAI alanında kullanılan güçlü araçlardan bazıları şunlardır:

Algoritmik önyargıyı azaltmak için çeşitli stratejiler mevcuttur:

Sonuç

Yapay zekâ ve makine öğrenmesi teknolojileri, finans sektöründe paradigma değişimine yol açan devrim niteliğinde bir dönüşüm yaratmıştır. Bu teknolojiler, geleneksel finansal analiz yöntemlerinin sınırlılıklarını aşarak, kredi risk tahminlemesinden banka endeksi hareket yönlerinin analizine kadar geniş bir yelpazede daha doğru, hızlı ve verimli kararlar alınmasını mümkün kılmaktadır. Özellikle CatBoost, XGBoost, LightGBM ve Random Forest gibi gelişmiş makine öğrenmesi algoritmaları, finansal tahmin ve sınıflandırma problemlerinde elde ettikleri yüksek başarı oranlarıyla sektördeki potansiyeli somut bir şekilde ortaya koymaktadır. Bu başarı, büyük veri setlerinin işlenebilmesi, karmaşık doğrusal olmayan ilişkilerin tespit edilebilmesi ve sınıf dengesizliği gibi zorlukların yeniden örnekleme yöntemleriyle aşılabilmesi sayesinde elde edilmektedir.

Ancak, bu dönüştürücü gücün beraberinde getirdiği algoritmik önyargı gibi etik ve hukuki sorunlar, YZ sistemlerinin şeffaflığı ve adil kullanımı konusunda önemli zorluklar yaratmaktadır. Bu zorlukların üstesinden gelmek için Açıklanabilir Yapay Zekâ (XAI) yaklaşımları, özellikle SHAP ve ELI5 gibi araçlar, YZ modellerinin karar mekanizmalarını anlaşılır kılmakta ve önyargıların tespit edilip azaltılmasına yardımcı olmaktadır. Kapsayıcı veri toplama, istatistiksel tespit yöntemleri, önyargı denetimleri, etik çerçeveler ve yasal düzenlemeler gibi stratejiler, algoritmik önyargıyı azaltma ve YZ’nin sorumlu bir şekilde geliştirilmesini sağlama yolunda atılan kritik adımlardır.

Gelecekte, yapay zekâ teknolojilerinin finans sektöründeki entegrasyonunun daha da derinleşeceği ve yeni kullanım alanlarının ortaya çıkacağı öngörülmektedir. Bu süreçte, YZ geliştiricileri, etik uzmanları, politika yapıcılar ve etkilenen topluluklar dâhil olmak üzere tüm paydaşlar arasında sürekli iş birliği ve gözetim, adil, şeffaf ve hesap verebilir YZ sistemlerinin oluşturulması için hayati öneme sahiptir. Sorumlu yapay zekâ geliştirilmesi, finansal ekosistemin sürdürülebilirliğini sağlamanın ve toplumun tüm üyelerine fayda sağlayan teknolojik yenilikleri teşvik etmenin anahtarı olacaktır. Finans sektörünün, YZ’nin sunduğu fırsatlardan tam anlamıyla yararlanabilmesi ve potansiyel riskleri yönetebilmesi için bu teknolojik ve etik dönüşümü kapsamlı bir şekilde benimsemesi elzemdir.

Yazar Notu ve Sorumluluk Reddi: Bu blog yazısında yer alan içerikler, yalnızca genel bilgilendirme amaçlıdır ve akademik kaynaklara dayanmaktadır. Bu içerikler, hukuki, mali veya yatırım danışmanlığı hizmeti niteliği taşımamaktadır. Makaledeki bilgilerin doğru, güncel veya eksiksiz olduğu garanti edilmemekte olup, bu bilgilerin içerebileceği hata, eksiklik veya yanlış anlaşılmalardan doğabilecek zararlardan sorumluluk kabul edilmemektedir. Her somut olay farklı değerlendirmeler gerektirebilir ve bu bilgiler her duruma uygun olmayabilir. Bu nedenle, makalede yer alan bilgilere dayalı olarak herhangi bir işlem yapmadan önce, konuyla ilgili hukuk, mali, teknik ve diğer uzmanlık alanlarında yetkin bir profesyonele danışmanız önemle tavsiye edilir.

Kaynakça

Ayyıldız, N. (2024). Bankacılık Sektörüne Derin Öğrenme Yöntemiyle Bakış: BIST Banka Endeksi Hareket Yönlerinin Tahmini. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 13(3), 1277-1291. https://doi.org/itobiad.1451709

Çelik, E., & Gür, Ö. (2024). Banka kredisi tahmini için makine öğrenmesi algoritmalarının performans analizi: Topluluk öğrenmesi algoritmalarının üstünlüğü. Artıbilim: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi Fen Bilimleri Dergisi, 7(1), 1-20. Doi: 10.55198/artibilimfen.1400881

Çelik, R. G. (2023, Eylül 05). Yapay Zekânın Gölgelerini Aydınlatan Fener: XAI – Part 2. Architecht Blog.

CottGroup®. (2024, Ağustos 13). AI ve Algoritmik Önyargıyı Anlama. CottGroup® Blog.

DenizBank. (2025, Haziran 04). Finansın Dönüşümü: Yapay Zeka Finans Sektörünü Nasıl Etkileyecek?. DenizBank Blog.

Günen, E. (2017, Eylül 11). Petal, Kredi Skoru Yerine Makine Öğrenimi Teknolojisi Kullanıyor. Fintechtime.

Kendirkıran, G., & Doğan, S. (2024). Makine Öğrenimi Teknikleri ile Kredi Risk Tahmininde Yeniden Örnekleme Yöntemlerinin Karşılaştırılması. Söke İşletme Fakültesi Dergisi, 1(2), 48-60.

Korkmaz, G. (2020). YAPAY ZEKÂ YÖNTEMLERİYLE SINIFLANDIRMA VE FİNANS SEKTÖRÜNDE KURUMSAL MÜŞTERİLERE DÖNÜK BİR UYGULAMA. Akademik Yaklaşımlar Dergisi, 11(2), 91-108.

Patika.dev. (Tarih yok). Denetimli ve Denetimsiz Öğrenme: Veri Biliminin İki Temel Taşı. Patika.dev.

TRAI. (Tarih yok). Kredi Tahminleme Dünyasına Yapay Zeka Etkisi. TRAI Podcast.

Tunç, A. (2016). FİNANS SEKTÖRÜ İÇİN YAPAY ÖĞRENME TEKNİKLERİ KULLANARAK KREDİ KULLANABİLİRLİĞİN TESPİTİ (Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü). Konya.

Exit mobile version