D1 ML for Risk · TECH · ~3h

ML — Kredi Riski: WoE/IV, XGBoost & Hiperparametre

Geleneksel scorecard yaklaşımından gradient boosting'e geçiş — teknik mekanik, risk yönetiminde özel kısıtlar (monotonicity, kalibrasyon, yorumlanabilirlik) ve bias-variance tradeoff'un hiperparametre seçimine nasıl yansıdığı.

Bu modülden çıkman gerekenler

WoE dönüşümünü ve IV değerini hesaplamak, değişken seçiminde nasıl kullanıldığını bilmek
Gradient boosting'in ardışık zayıf öğrenici mantığını açıklamak
XGBoost amaç fonksiyonunu (loss + regularizasyon) türetmek
Temel hiperparametrelerin (depth, lr, λ) bias-variance tradeoff üzerindeki etkisini göstermek
Dengesiz veri sorununu ve kredi riskindeki özel tedavileri bilmek
Monotonicity constraint’in hangi kullanımda gerekli veya yararlı olduğunu ve nasıl doğrulanacağını açıklamak

01 · Geleneksel Scorecard vs ML

Geleneksel Scorecard (LR + WoE)

Lojistik regresyon + WoE binning. Lineer ilişki varsayımı. Tamamen yorumlanabilir. Değişken katsayıları doğrudan risk açıklaması. Monotonicity doğal. Regülatör onayı kolay.

ML (XGBoost, GBM)

Non-lineer ilişkiler ve değişken interaksiyonları yakalar. Yüksek boyutlu veri. Genellikle daha yüksek Gini. Yorumlanabilirlik için SHAP gerekli. Monotonicity constraint elle uygulanmalı.

ML'in Kredi Riskindeki Avantajı Tam Olarak Nerede?

Saf veri boyutundan değil. Asıl fark şuradan geliyor: borçluların risk davranışı genellikle eşiklere sahip — "DTI %40 altında" veya "yaş × gelir" interaksiyonu gibi. Logistik regresyon bu kırılımları yakalayamaz, ağaç modelleri yakalayabilir. XGBoost bazı veri setlerinde Gini’yi artırabilir; artış garanti değildir. OOT performans, kalibrasyon, istikrar, açıklanabilirlik ve operasyonel maliyet birlikte değerlendirilmelidir.

02 · Feature Engineering — WoE & IV

WoE & IV Formülleri

WoE_i = ln(Dist_Good,i / Dist_Bad,i) = ln(n_good,i/N_good / n_bad,i/N_bad)

IV = Σ_i (Dist_Good,i − Dist_Bad,i) · WoE_i

WoE > 0: o bin'de good borçlular fazla → daha düşük risk · WoE < 0: o bin'de bad borçlular fazla → daha yüksek risk · IV < 0.02: işe yaramaz · 0.02–0.1: zayıf · 0.1–0.3: orta · 0.3–0.5: güçlü · >0.5: şüpheli (aşırı öğrenme riski)

İnteraktif · WoE & IV Hesaplayıcı — 5 Bin Analizi

Her bin için Good ve Bad borçlu sayısını ayarla:

—

IV (Bilgi Değeri)

—

Sınıf

—

Max WoE (en iyi bin)

—

Min WoE (en riskli bin)

IV Aralığı	Değerlendirme	Scorecard'da Tipik Karar
< 0.02	Anlamsız	Modelden çıkar
0.02 – 0.10	Zayıf	Sadece başka güçlü değişken yoksa tut
0.10 – 0.30	Orta	Genellikle dahil et
0.30 – 0.50	Güçlü	Kesinlikle dahil et
> 0.50	Şüpheli	Veri sızıntısı veya overfit kontrol et

03 · XGBoost Mimarisi

XGBoost, zayıf öğrenicilerin (genellikle sığ karar ağaçları) ardışık olarak birbirinin rezidüellerini öğrenmesi prensibine dayanır. Her yeni ağaç, önceki tüm ağaçların toplamının hata gradyanını minimize eder.

XGBoost Amaç Fonksiyonu

obj(θ) = Σ_i l(y_i, ŷ_i) + Σ_k Ω(f_k)

Ω(f) = γ·T + ½λ·‖w‖² + α·‖w‖₁

l = kayıp fonksiyonu (binary cross-entropy için PD modeli) · Σₖ Ω(fₖ) = her ağacın karmaşıklık cezası · T = yaprak sayısı · w = yaprak ağırlıkları · γ = yaprak ekleme için minimum kazanç (dal kesme) · λ = L2 düzenlileştirme (ağırlıkları küçültür) · α = L1 düzenlileştirme (seyrekliği teşvik eder)

Hiperparametre	Etki	Kredi Riskinde Tipik Aralık	Büyütünce
n_estimators	Ağaç sayısı	100–500	Overfit ↑ (lr düşükse az etki)
max_depth	Ağaç derinliği	3–6	Varyans ↑, bias ↓
learning_rate η	Her ağacın katkı küçültmesi	0.01–0.15	Yavaş öğrenme, overfite dirençli
lambda λ	L2 regularizasyon	1–10	Varyans ↓ (underfite sürükler)
subsample	Satır örnekleme oranı	0.6–0.9	Düşürmek overfite karşı korur
scale_pos_weight	Negatif/Pozitif sınıf oranı	DR'nin tersi ~20–100	Sınıf dengesizliği düzeltir

04 · Bias-Variance Tradeoff & Hiperparametre Etkisi

Modelin eğitim setindeki hatası ile doğrulama setindeki hatası arasındaki boşluk overfitting'in işaretidir. Regularizasyon bu boşluğu kapatır; ancak çok fazla regularizasyon modeli underfite iter.

İnteraktif · Bias-Variance Tradeoff — Hiperparametre Etkisi

Model Karmaşıklığı

n_estimators150

max_depth4

learning_rate η0.10

Regularizasyon

lambda λ (L2)1.0

subsample0.80

Train Error: —

Valid Error: —

Overfit Gap: —

—

05 · Dengesiz Veri & Kalibrasyon

Kredi riskinde temerrüt oranı genellikle %1-5. XGBoost, sınıf dengesizliğini içsel olarak yönetmez — eğitilmemiş model tüm borçluları "no default" tahmin ederek %95 accuracy elde eder ama işe yaramaz.

Yöntem	Mekanizma	Avantaj	Dezavantaj
scale_pos_weight	XGBoost'ta negatif/pozitif oranı	Basit, etkili	Kalibrasyonu bozabilir
SMOTE	Sentetik minority örnekleme	Veri augmentasyonu	Sentetik veri gerçekçi mi?
Cost-sensitive learning	Yanlış sınıflandırmaya farklı maliyet	İş mantığıyla hizalanır	Maliyet kalibrasyonu gerekli
Eşik optimizasyonu	%50 default eşiğini ayarla	Precision-recall dengesi	Model kendisi değişmez
Platt scaling	Sigmoid ile skor → olasılık	Kalibrasyon düzeltir	Ek adım gerektirir

XGBoost Ham Skoru Direkt PD Değildir

XGBoost, log-odds çıktısı verir — sigmoid ile [0,1] aralığına dönüştürülse de bu doğrudan kalibre edilmiş PD anlamına gelmez. Özellikle sınıf dengesizliği düzeltmesi yapılmışsa çıktı eğitim setindeki gerçek temerrüt oranından sapabilir. IRB veya IFRS 9 kullanımında ham skor uygun bir mutlak risk hedefine kalibre edilmelidir; Platt scaling ve isotonic regression olası yöntemlerdir, tek zorunlu seçenek değildir. Kalibrasyon eğrisi (reliability diagram) validasyon raporunda mutlaka yer almalı.

06 · Monotonicity Constraints

Model tasarım beklentisi: Ekonomik yönü açık ve yönetişimce belirlenmiş bazı risk faktörlerinde monoton davranış gerekebilir veya güçlü bir kontrol sağlar; bu her değişken için evrensel bir hukuk kuralı değildir. Borç yükü arttıkça PD artmalı; gelir arttıkça PD azalmalı. XGBoost natively bu kısıtı destekler ama test edilmesi gerekir.

XGBoost'ta Monotonicity Constraint

monotone_constraints = (+1, −1, 0, ...) [her değişken için]

+1: değişken arttıkça tahmin artar (borç oranı → PD artar) · −1: değişken arttıkça tahmin azalır (gelir → PD azalır) · 0: kısıtsız · Constraint uygulandığında ağaç yapısı dallanma noktalarında kısıtlanır · Monotonicity testi: tüm diğer değişkenler sabit, hedef değişken arttırıldığında PD tahmini doğru yönde gidiyor mu?

Monotonicity Test Prosedürü

Kısıtlanan her değişken için: portföy ortalamasında diğer değişkenleri sabit tut, hedef değişkeni persentil bazında tara (P5'ten P95'e). Her adımda PD tahmininin beklenen yönde gittiğini doğrula. İhlaller varsa constraint parametresi doğru uygulanmamış demektir.

07 · Validasyon Perspektifi

B6 Testleri + ML'e Özgü Ek Kontroller

Tüm B6 testleri geçerli: Gini, binomial, Spiegelhalter, HL testi XGBoost modeline de uygulanır. Scorecard ile karşılaştırmalı Gini farkı makul mü? Yüksek Gini ama zayıf kalibrasyon → B6'dan farklı bir sorun.

Out-of-time (OOT) test: ML modelleri zaman içi overfit’e yatkın olabilir. Zamansal ayrım, rastgele cross-validation’ın ölçmediği rejim değişimini sınar; tasarım kullanım amacı, veri uzunluğu ve model riskiyle orantılı olmalıdır. OOT Gini’nin in-time değerden anlamlı düşüşü kurumun portföy bazlı alarm seviyeleriyle değerlendirilmelidir; %10 puan yalnızca örnek bir uyarıdır.

Özellik stabilitesi (PSI per feature): Her girdi değişkeni için PSI izlenmeli — özellikle yüksek kardinaliteli kategorik değişkenlerde drift modelinin bozulmasına yol açar. Hangi değişkenler PSI > 0.1 ile izleme listesinde?

SR 26-2 ve ML Yönetişimi

Model sınırları belgesi: SR 26-2, modelin hangi koşullarda çalıştığını açıkça tanımlar. XGBoost için: hangi veri aralığında eğitildi, ne zaman "kapsam dışı" sayılır, hangi periyotta yeniden eğitim gerekir?

Challenger gereksinimi: ML challenger, lojistik regresyon scorecard olabilir — daha basit modelin fayda-maliyet dengesi değerlendirilmeli. ML üstünlüğü yüksek Gini'den mi, yoksa operasyonel avantajdan mı geliyor?

Yorumlanabilirlik ve karar açıklaması: Kredi kararında açıklama beklentisi yargı alanı ve karar sürecine bağlıdır. AB’de GDPR’ın 13–15 ve 22. maddeleri ile ilgili içtihat birlikte değerlendirilir. SHAP teknik kanıt sağlayabilir; anlaşılır bireysel açıklamayı tek başına garanti etmez.

İleri Nokta · EU AI Act — Kredi Skorlaması "Yüksek-Riskli AI"

GDPR'ın ötesinde, EU AI Act gerçek kişilerin kredi değerliliğini değerlendiren / kredi skoru üreten AI sistemlerini Annex III yüksek-riskli sınıfına koyar (dolandırıcılık tespiti hariç). Bu, ML kredi modeline somut yükümlülükler getirir: belgelenmiş risk yönetim sistemi, eğitim verisinde bias değerlendirmesi, değiştirilemez denetim logları (audit trail), insan gözetimi/override ve sorumluluğun satıcıya devredilememesi. Takvim güncellendi: 7 Mayıs 2026 tarihli siyasi uzlaşı sonrasında Annex III yüksek-risk sistem kurallarının 2 Aralık 2027’de uygulanması planlanıyor. Nihai mevzuat ve geçiş hükümleri uygulama öncesinde tekrar kontrol edilmelidir. Validatör için yeni soru: model dosyası AI Act uyum kanıtlarını (bias testi, log, insan gözetimi tasarımı) içeriyor mu, yoksa sadece geleneksel IRB/IFRS 9 dokümantasyonu mu?

Kendini kontrol et

XGBoost olasılık çıktısı neden doğrudan PD olmayabilir?

Sınıf ağırlığı, örnekleme ve loss optimizasyonu sıralama üretse de uzun dönem mutlak default rate kalibrasyonunu garanti etmez.

Monotonicity her değişken için doğru mudur?

Hayır; ekonomik gerekçesi olan değişkenlerde ve tanımlı aralıkta uygulanmalı, etkileşim ve sınır etkileri test edilmelidir.

AI Act’te hangi kredi sistemi yüksek risklidir?

Gerçek kişilerin kredi değerliliğini veya kredi skorunu değerlendiren kullanım; dolandırıcılık ve prudential capital istisnaları ayrıca incelenir.

Birincil kaynaklar ve güncellik

Son içerik kontrolü: 13 Temmuz 2026. Düzenleyici kapsam ve yürürlük tarihi kurumun yargı alanına göre ayrıca doğrulanmalıdır.

← C4 · CRR3 D2 · SHAP / XAI →