Kredi Risk Yönetiminde Yapay Zeka ve Makine Öğrenimi Uygulamaları

Kredi risk yönetiminde yapay zeka ve makine öğrenimi uygulamaları, borçlananların risk durumlarını ölçmek için kullanılan yeni jenerasyon finansal araçlardır. Kredi riski, borçlunun borcunu ödeyememe olasılığı olarak tanımlanır ve riskin yönetimi, finansal sistemin temel dinamiğini oluşturan kaynak fazlası olan birimlerden kaynak açığı olan birimlere fon akışlarının etkinliği açısından hem bireysel (tüketici) hem de kurumsal (ticari) kredilerde ileri düzey uygulamalar gerektirir. Bu uygulama arayışı, kredi riskinin -borçlunun yükümlülüklerini yerine getirememe ihtimalinin- doğru ölçülmesi ihtiyacından gelir. Tarihsel süreçte ise bu riskin yönetimi, kabaca bankacının kişisel yargısından istatistiksel tablolara, oradan da günümüzün karmaşık algoritmalarına doğru evrilmiştir.

 Geleneksel Yaklaşım ve Sınırları: “Kredinin 5C’si”nden Lojistik Regresyona

Geleneksel bankacılık, kredi değerlendirmesinde uzun yıllar boyunca “Kredinin 5C’si” (Character, Capacity, Capital, Collateral, Conditions) olarak adlandırılan prensibi dayanmıştır. Bu niteliksel yaklaşım, ilerleyen dönemde yerini niceliksel modellere bırakmıştır. 20. yüzyılın ikinci yarısında standartlaşan Lojistik Regresyon, kredi skorlamasında (credit scoring) “altın standart” haline gelmiştir. Lojistik regresyonun endüstri tarafından bu kadar benimsenmesinin temel nedeni, matematiksel basitliği ve yüksek yorumlanabilirliğidir. Bir kredi tahsis uzmanı, modeldeki katsayılara bakarak, gelirin artmasının temerrüt riskini (Probability of Default – PD) ne kadar düşürdüğünü kesin bir “olasılık oranı” (odds ratio) ile ifade edebilmektedir.

Dijital ekonominin yükselişiyle birlikte geleneksel modellerin sınırları zorlanmaya başlamıştır. Lojistik regresyon, değişkenler arasında doğrusal bir ilişki varsayar (“bu müşteri krediyi öder mi, ödemez mi?” gibi kategorik (evet/hayır, 1/0) sorulara yanıt arar.) Oysa modern finansal davranışlar karmaşık ve çok boyutludur. Şöyle ki; bir müşterinin temerrüt riski sadece gelirine veya borç oranına bağlı değildir; harcama alışkanlıkları, sektörel döngüler, makroekonomik şoklar ve hatta dijital ayak izleri arasındaki karmaşık etkileşimlerden (interaction effects) vs. etkilenir. Geleneksel modeller, bu doğrusal olmayan örüntüleri (non-linear patterns) yakalamakta yetersiz kalmakta, bu da kredibilitesi olan müşteriyi reddetme (tip 1) ve riskli müşteriye kredi verme (tip 2) hatalarının artmasına yol açmaktadır.

 İstatistiksel Temel: Lojistik Regresyonun Kalıcılığı

Her ne kadar “eski” olarak nitelendirilse de, Lojistik Regresyon (LR) hala birçok bankanın, özellikle sermaye yeterliliği (Basel Uzlaşıları) hesaplamalarında kullandığı temel modeldir. LR, bağımlı değişkenin (temerrüt durumu: 0 veya 1) log-olasılığını, bağımsız değişkenlerin doğrusal bir kombinasyonu olarak modeller.

• Güçlü Yönleri: Şeffaftır, hesaplama maliyeti düşüktür ve küçük veri setlerinde bile kararlı (stable) sonuçlar verir. Aşırı öğrenme (overfitting) riski düşüktür.
• Zayıf Yönleri: Değişkenler arasındaki karmaşık etkileşimleri modelleyemez. Örneğin, “Geliri yüksek ama yaşı genç” olan bir kişinin riskini, bu iki değişkenin çarpımını (interaction term) manuel olarak modele eklemeden yakalayamaz.

Makine Öğrenimi: Karar Ağaçları ve Topluluk Yöntemleri

Makine öğrenimi, verideki kalıpları otomatik olarak öğrenen algoritmalar sunar. Kredi riski yönetiminde en başarılı kategori, “Karar Ağaçları” (Decision Trees) ve bunların birleşiminden oluşan “Topluluk Öğrenme” (Ensemble Learning) yöntemleridir.

 Karar Ağaçları (Decision Trees)

Karar ağaçları, veri setini belirli kurallara göre (örneğin “Gelir > 50.000 TL mi?”) alt gruplara bölerek bir ağaç yapısı oluşturur.

• Mekanizma: Algoritma, her adımda “Bilgi Kazancı”nı (Information Gain) maksimize eden veya “Gini Safsızlığı”nı (Gini Impurity) minimize eden bölünmeyi seçer.
• Risk: Tek başına kullanıldığında, eğitim verisine aşırı uyum sağlama (overfitting) ve yeni verilerde başarısız olma eğilimindedir. Bu nedenle genellikle tek başına kullanılmaz.

 Random Forest (Rastgele Orman)

Random Forest, yüzlerce karar ağacını bir araya getiren bir “Bagging” (Bootstrap Aggregating) tekniğidir.

• Çalışma Prensibi: Her bir ağaç, veri setinin rastgele seçilmiş bir alt kümesiyle ve rastgele seçilmiş değişkenlerle eğitilir. Nihai karar, tüm ağaçların “oylaması” (sınıflandırma) veya ortalaması (regresyon) ile verilir.
• Kredi Riskine Katkısı: Breiman (2001) tarafından geliştirilen bu yöntem, aşırı öğrenmeyi engeller ve yüksek boyutlu (çok değişkenli) veri setlerinde mükemmel sonuç verir. Değişkenlerin önem derecesini (feature importance) belirleyerek, hangi faktörlerin kredi riskini artırdığını gösterir. Araştırmalar, Random Forest’ın kredi risk tahmininde %93’e varan doğruluk oranlarına ulaşabildiğini raporlamaktadır.

 Gradient Boosting Makineleri (GBM, XGBoost, LightGBM)

Günümüzde kredi risk modellemede ve ileri düzey bankacılık uygulamalarında en baskın model ailesi “Gradient Boosting”dir. Bu yöntem, ağaçları paralel değil, ardışık (sequential) olarak inşa eder. Her yeni ağaç, bir önceki ağacın yaptığı hataları (artıkları – residuals) düzeltmeye çalışır.

• XGBoost (Extreme Gradient Boosting): Hız, performans ve ölçeklenebilirlik açısından endüstri standardı haline gelmiştir. Eksik verileri (missing values) otomatik olarak yönetebilir ve aşırı öğrenmeyi engellemek için yerleşik regülarizasyon (L1/L2) tekniklerine sahiptir.

Yapılan karşılaştırmalı çalışmalarda, XGBoost’un %99,4 doğruluk oranı ile Lojistik Regresyon, SVM ve Sinir Ağlarını geride bıraktığı görülmüştür. Chang et al. (2022) çalışmasında XGBoost, %92,19 doğruluk, 0,97 AUC ve %91,83 F1 skoru ile “en iyi genelleme yeteneğine sahip model” olarak tanımlanmıştır.

• LightGBM: Microsoft tarafından geliştirilen bu algoritma, özellikle çok büyük veri setlerinde XGBoost’tan daha hızlı eğitim süresi ve daha düşük bellek kullanımı sunar. Yaprak odaklı (leaf-wise) büyüme stratejisi sayesinde derinlemesine öğrenir ve Asya pazarlarındaki uygulamalarda yüksek F1 skorları elde etmiştir.
• CatBoost: Kategorik değişkenlerin (örneğin meslek grubu, şehir) yoğun olduğu veri setlerinde, ön işleme (one-hot encoding) gerektirmeden yüksek performans gösterir.

Derin Öğrenme (Deep Learning)

Yapay Sinir Ağları (ANN) ve Derin Sinir Ağları (DNN), insan beynindeki nöronların çalışma prensibini taklit eder.

• Kullanım Alanı: Yapılandırılmış (tablolama) kredi verilerinde Gradient Boosting modelleri genellikle daha iyi sonuç verse de, Derin Öğrenme özellikle “yapılandırılmamış” verilerin (müşteri işlem açıklamaları, ses kayıtları, belgeler) modele dahil edilmesinde kritiktir.
• Hibrit Modeller: Bazı araştırmalar, XGBoost ile Sinir Ağlarının birleştirildiği (stacking) hibrit yapıların, tekil modellerden daha kararlı sonuçlar verdiğini göstermektedir.

 Destek Vektör Makineleri (SVM)

SVM, veriyi sınıflara ayırmak için en uygun hiper düzlemi bulmaya çalışır. Küçük veri setlerinde yüksek doğruluk sağlasa da, büyük bankacılık verilerinde hesaplama maliyeti çok yüksektir ve ölçeklenmesi zordur. Bu nedenle modern kredi skorlamasında daha az tercih edilmektedir.

Özellik	Lojistik Regresyon	Random Forest	XGBoost / LightGBM	Derin Öğrenme (DL)
Tahmin Gücü	Düşük/Orta	Yüksek	Çok Yüksek	Yüksek (Veriye Bağlı)
Yorumlanabilirlik	Çok Yüksek (Şeffaf)	Orta (Feature Imp.)	Düşük (XAI Gerekli)	Çok Düşük (Kara Kutu)
Veri Boyutu	Küçük/Orta	Büyük	Çok Büyük	Devasa
Eğitim Hızı	Çok Hızlı	Orta	Hızlı	Yavaş
Aşırı Öğrenme Riski	Düşük	Düşük	Orta (Ayar Gerektirir)	Yüksek
Endüstriyel Kullanım	Yüksek (Düzenleyici)	Yüksek	Çok Yüksek (Karar)	Düşük/Orta (Fraud/Görüntü)

                           Kredi Risk Yönetiminde Kullanılan Temel Algoritmaların Karşılaştırmalı Analizi

Kara Kutu Sorunu ve Açıklanabilir Yapay Zeka (XAI)

Makine öğrenimi modellerinin artan karmaşıklığı, beraberinde ciddi bir sorunu getirmiştir: Şeffaflık Eksikliği. Söz gelimi; bir bankanın müşterisine “krediniz reddedildi çünkü modelimiz 0.45 skor üretti” demesi ne müşteri memnuniyeti açısından ne de yasal düzenlemeler açısından kabul edilebilirdir. BDDK, Avrupa Merkez Bankası (ECB) ve diğer düzenleyiciler, kararların neden alındığının açıklanmasını zorunlu kılar. Bu ihtiyaç, Açıklanabilir Yapay Zeka (Explainable AI – XAI) disiplinini finansın merkezine taşımıştır.

Geleneksel görüş, modelin performansı (doğruluğu) arttıkça açıklanabilirliğinin azaldığı yönündedir. Lojistik regresyon tamamen şeffafken, binlerce ağaçtan oluşan bir XGBoost modeli veya milyonlarca parametreli bir Sinir Ağı, insan algısının ötesinde bir “Kara Kutu”dur. XAI teknikleri, bu kutuyu açarak modelin iç işleyişini veya en azından kararlarının gerekçelerini görünür kılar.

Veri Devrimi: Alternatif Veri ve Özellik Mühendisliği

Geleneksel kredi skorlaması, büyük ölçüde geçmiş finansal işlem kayıtlarına (kredi kartı ödemeleri, kredi taksitleri) ve kredi bürosu (KKB, Findecks, Experian) verilerine dayanır. Bu yaklaşım, finansal geçmişi olmayan (thin-file) veya bankacılık sistemi dışında kalan (unbanked) milyarlarca insanı sistemin dışında bırakmak gibi problemleri içerir. İşte yapay zeka, alternatif veri kaynaklarını işleyerek bu “görünmez” riski ölçülebilir hale getirir.

Dijital Ayak İzleri ve Telekom Verileri

Akıllı telefon kullanım verileri, bir kişinin finansal disiplini ve yaşam tarzı hakkında güçlü sinyaller verir.

• Vaka (Filipinler):Tonik Bank, FinScore’un yapay zeka destekli “Telco Data Credit Scoring” modülünü kullanarak, akıllı telefon penetrasyonunun yüksek ancak bankacılığın düşük olduğu Filipinler pazarında kredi erişimini artırmıştır.

E-Ticaret ve Davranışsal Analitik

KOBİ kredilerinde, işletmenin e-ticaret platformundaki performansı (satış hacmi, müşteri yorumları, iade oranları, stok devir hızı) geleneksel bilançolardan çok daha güncel bir risk göstergesidir. Bir çalışma, bir e-ticaret firmasının dijital ayak izlerini kullanan modellerin, temerrüt oranlarını yaklaşık %30 oranında azalttığını ve işletme kar marjını %10 artırdığını ortaya koymuştur.

 Sosyal ve Psikometrik Veriler

Daha tartışmalı bir alan olmakla birlikte, sosyal medya verileri (bağlantıların kalitesi, eğitim durumu – LinkedIn) ve psikometrik testler (kişilik envanterleri) de risk modellemesinde kullanılmaktadır.

Bu tür verilerin kullanımı, etik kaygıları ve veri gizliliği (privacy) tartışmalarını beraberinde getirir. Özellikle Türkiye’de KVKK ve Avrupa’da GDPR, bu verilerin izinsiz kullanımını kesinlikle yasaklar. Ancak kullanıcının açık rızası ile (Open Banking / Açık Bankacılık kapsamında) bu veriler zenginleştirici faktör olarak modele dahil edilebilir.

Düzenleyici Çerçeve: İnovasyon ve Kontrol Arasındaki Denge

Yapay zekanın finansal kararlarda kullanımı, dünya genelinde düzenleyicilerin merceği altındadır. Hatalı, önyargılı veya açıklanamayan bir model, sistemik risklere yol açabilir.

Basel IV ve Sermaye Gereksinimleri

Bankacılık düzenlemelerinin küresel standardı olan Basel Uzlaşısı (Basel III/IV), bankaların kredi riski modellerini (IRB – Internal Ratings-Based) sermaye hesaplamasında kullanmasına izin verir ancak katı kurallar koyar.

AB Yapay Zeka Yasası (EU AI Act)

Avrupa Birliği’nin kabul ettiği ve küresel bir standart olma yolunda ilerleyen Yapay Zeka Yasası, kredi skorlama sistemlerini “Yüksek Riskli” (High Risk) kategorisine almıştır.

Türkiye’deki Düzenleyici Çerçeve

Türkiye’de Bankacılık Düzenleme ve Denetleme Kurumu (BDDK) ve Türkiye Cumhuriyet Merkez Bankası (TCMB), teknolojiyi yakından takip eden proaktif bir tutum sergilemektedir.

• Bilgi Sistemleri Yönetmeliği: Bankaların kullandığı risk modellerinin validasyonu, testi ve yönetişimi konusunda sıkı kurallar mevcuttur. Yapay zeka modelleri de bu yönetmeliklere tabidir.
• Fintech Denetimleri: TCMB, ödeme ve elektronik para kuruluşlarını sıkı bir denetim altında tutmaktadır. Örneğin, 2025 yılında Sipay ve Vepara gibi kuruluşların faaliyet izinlerinin geçici olarak durdurulması, uyum (compliance) süreçlerinin ve teknolojik altyapı güvenliğinin ne kadar kritik olduğunu göstermiştir.
• Etik İlkeler: Türkiye’de henüz AB AI Act benzeri tekil bir yasa olmasa da, akademik ve sektörel çalışmalar “Yapay Zeka Etiği” (şeffaflık, hesap verebilirlik, adalet) ilkelerinin finans sektörüne entegrasyonuna odaklanmaktadır. KVKK, kişisel verilerin (özellikle alternatif verilerin) işlenmesinde ana düzenleyici metindir.

 Sonuç

Kredi risk yönetiminde yapay zeka ve makine öğrenimi uygulamaları, finans sektöründe geri döndürülemez bir paradigma değişimini temsil etmektedir. Araştırmamız, bu teknolojilerin sadece “daha hızlı işlem yapmak” için değil, “riski daha iyi anlamak” ve “finansal erişimi demokratikleştirmek” için kritik bir araç olduğunu net bir biçimde ortaya koymaktadır.

Geleneksel lojistik regresyon modellerinden XGBoost ve Derin Öğrenme gibi gelişmiş algoritmalara geçiş, tahmin doğruluğunda devrimsel etki yaratmıştır. Ancak bu devrim, “Kara Kutu” sorununu beraberinde getirmiş ve XAI teknolojilerini kaçınılmaz bir zorunluluk kılmıştır. Üretken yapay zeka ve ajanik sistemler ise bu dönüşümü bir adım öteye taşıyarak, bankacılığı reaktif bir yapıdan proaktif ve otonom bir yapıya dönüştürmektedir.

Ülkemiz özelinde baktığımızda ise, Türkiye’nin güçlü bankacılık altyapısı ve dinamik fintech ekosistemiyle bu dönüşüme hazır olduğu rahatlıkla söylenebilir. Ancak başarının anahtarı; veriyi etik, şeffaf, güvenli ve düzenlemelere tam uyumlu bir şekilde işleyebilen, teknolojiyi insan uzmanlığıyla harmanlayan bütüncül bir risk yönetimi kültürünü inşa etmekten geçmektedir.