Comparison of Machine Learning-Based and Traditional Credit Scoring Models for Credit Risk Assessment
Author:
Novikova, Elizaveta
Thesis type:
Bachelor thesis
Supervisor:
Ali, Tanweer
Opponents:
Kania, Karolina Anna
Thesis language:
English
Abstract:
Financial institutions increasingly tend to replace traditional credit scoring models with machine learning methods to improve predicting default risk in lending. This transition is challenged by the need to balance predictive accuracy with model interpretability, ethical considerations, and legal compliance of European banking. This paper compares traditional and machine learning-based credit scoring models for conducting a credit risk assessment in European retail (consumer) baking, primarily in the Czech Republic, Germany, and Switzerland. The effectiveness of both approaches was assessed using a mixed research method. Quantitative research tests hypotheses using key accuracy metrics and SHAP values via Python software. Through nine in-depth interviews, qualitative research explores the ethical and legal aspects as well as the potential of machine learning in enhancing the effectiveness of the credit scoring model in the future. The study has shown that machine learning models can improve accuracy but require a balanced integration with traditional methods to address interpretability and regulatory compliance. This paper also offers a comprehensive overview of credit scoring models as well as a practical guide for researchers and professionals interested in applying machine learning to credit risk assessment to enhance their financial decision-making.
Porovnání modelů hodnocení úvěrového rizika založených na strojovém učení a tradičních modelů pro hodnocení bonity
Author:
Novikova, Elizaveta
Thesis type:
Bakalářská práce
Supervisor:
Ali, Tanweer
Opponents:
Kania, Karolina Anna
Thesis language:
English
Abstract:
Finanční instituce stále častěji nahrazují tradiční modely kreditního skórování metodami strojového učení s cílem zlepšit predikci rizika selhání u úvěrů. Tento přechod však naráží na potřebu vyvážit prediktivní přesnost s interpretovatelností modelu, etickými ohledy a právními požadavky evropského bankovnictví. Tato práce porovnává tradiční a založené na strojovém učení modely kreditního skórování pro hodnocení úvěrového rizika v evropském retailovém (spotřebitelském) bankovnictví, zejména v České republice, Německu a Švýcarsku. Účinnost obou přístupů byla hodnocena pomocí smíšené výzkumné metody - kvantitativní a kvalitativní. Kvantitativní výzkum testuje hypotézy pomocí klíčových metrik přesnosti a hodnot SHAP prostřednictvím softwaru Python. Kvalitativní výzkum, založený na devíti hloubkových rozhovorech, zkoumá etické a právní aspekty a zároveň potenciál strojového učení pro zvýšení efektivity modelů kreditního skórování v budoucnosti. Studie ukázala, že modely strojového učení mohou zvýšit přesnost, avšak vyžadují vyváženou integraci s tradičními metodami, aby bylo dosaženo interpretovatelnosti a souladu s regulacemi. Tato práce rovněž nabízí komplexní přehled modelů kreditního skórování a je praktickým průvodcem pro výzkumníky a odborníky, kteří mají zájem o aplikaci strojového učení na hodnocení úvěrového rizika s cílem zlepšit finanční rozhodování.