Geri Dön

Finansal sistemler için bütünleşik bir açıklanabilir yapay zekâ çerçevesi geliştirilmesi

Developing an integrated explainable artificial intelligence framework for financial systems

PDF İndir

  1. Tez No: 1013111
  2. Yazar: ABDULLAH EMİR ÇİL
  3. Danışmanlar: PROF. DR. KAZIM YILDIZ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, finans sektöründe yapay zekâ kullanımının giderek yaygınlaşmasıyla birlikte daha görünür hâle gelen açıklanabilirlik, güvenilirlik, düzenleyici uyum ve operasyonel dayanıklılık gereksinimlerine odaklanmaktadır. Çalışmanın temel amacı, finansal karar problemleri için yalnızca yüksek doğruluk üreten değil, aynı zamanda karar mekanizmasını çok boyutlu biçimde açıklayabilen ve farklı uygulama alanlarına uyarlanabilen yeni bir açıklanabilir yapay zekâ çerçevesi geliştirmektir. Bu amaç doğrultusunda tez üç ana eksen üzerinde yapılandırılmıştır. İlk eksende, finans alanında açıklanabilir yapay zekâ uygulamalarını sistematik biçimde inceleyen ACM Digital Library, SpringerLink, IEEE Xplore ve ScienceDirect veritabanlarında kapsamlı bir literatür taraması gerçekleştirilmiştir. Bu kapsamda yapılan tarama sonucunda finans alanında SHAP ve LIME gibi yöntemlerin baskın biçimde kullanıldığını, ancak finansal zaman bağımlılığı, veri güvenilirliği, anomali yapısı ve risk odaklı değerlendirmeleri aynı anda ele alan bütünleşik açıklanabilirlik yaklaşımlarının sınırlı kaldığını göstermiştir. Tezin ikinci ekseninde, bu boşluğu gidermek amacıyla SFIX (Scalable Financial-oriented Interpretable eXplanation) adlı özgün bir açıklanabilir yapay zekâ modeli önerilmiştir. SFIX; Dinamik Önem Skoru, Güven Skoru, Örüntü Skoru, Anomali Skoru ve Risk Skoru bileşenlerini birlikte kullanarak özelliklerin statik önemini, zamansal davranışını, veri kalitesiyle ilişkisini, örüntü yapısını ve risk duyarlılığını değerlendirmektedir. Böylece model, SHAP ve LIME gibi ağırlıklı olarak post-hoc açıklama üreten yöntemlerden farklı olarak, finansal verinin doğasına daha uygun, içsel ve çok boyutlu bir açıklama mekanizması sunmaktadır. Tezde ayrıca, zamansal yapı gerektirmeyen senaryolar için SFIX'in sadeleştirilmiş biçimi olan S-SFIX geliştirilmiş ve alanlar arası uygulanabilirliği test edilmiştir. SFIX'in özgün katkısı, açıklanabilirliği tek bir yerel katkı hesabına indirgememesi; veri güvenilirliği, anomali davranışı ve risk yapısını açıklama sürecine doğrudan dâhil etmesidir. Bu yaklaşım aynı zamanda özellik seçimi için de güçlü bir çerçeve sağlamaktadır. Çalışmada, SFIX'in SHAP ve LIME'a kıyasla daha sadelik odaklı ve daha yoğun açıklamalar ürettiği; önceki deneylerde bootstrap ve Lorenz/Gini tabanlı değerlendirmelerle daha sade ve daha kararlı açıklama yapısı sunduğu gösterilmiştir. Tezin üçüncü ekseni, önerilen yaklaşımın iki farklı uygulama alanında ampirik olarak doğrulanmasıdır. İlk uygulama, finansal denetim görüşü sınıflandırması problemidir. Bu bölümde SFIX, ileri beslemeli sinir ağı (FFNN) mimarisi ile bütünleştirilmiş ve hem orijinal veriseti (N=10572) hem de eksik verileri tamamlanmış veriseti (N=23830) üzerinde değerlendirilmiştir. Bulgular, SFIX'in denetim görüşü tahmininde ayırt edici özellikleri etkili biçimde seçebildiğini ve özellikle düşük boyutlu özellik alt kümelerinde SHAP ve LIME tabanlı seçimlere göre daha tutarlı sonuçlar verdiğini göstermektedir. Deney sonuçlarında belirtildiği üzere, SFIX tabanlı yaklaşım yalnızca %0.45'lik marjinal bir performans kaybı ile boyutsallığı %59 oranında azaltmıştır. Bu sonuç, yüksek boyutlu finansal veride önemli bir hesaplama avantajı sağlarken tahmin gücünün büyük ölçüde korunduğunu göstermektedir. Ayrıca özellikle az sayıda özellikle çalışılan senaryolarda SFIX+FFNN yapısının daha belirgin bir üstünlük sergilediği görülmüştür. Örneğin beş özellikli en dar kurulumda SFIX+FFNN modeli %90,14 doğruluk, %88,49 precision ve %90,14 recall değerlerine ulaşmış; bu durum sınırlı özellik uzayında bile bilgi yoğun ve ayırt edici bir alt küme üretilebildiğini göstermiştir. Denetim tarafındaki genel bulgular, SFIX'in finansal denetim bağlamında yalnızca açıklanabilirlik sağlayan bir yöntem değil, aynı zamanda güçlü bir özellik seçimi ve boyut indirgeme mekanizması olduğunu ortaya koymaktadır. İkinci uygulama, yapay zekâ dayanıklılığı ve alanlar arası uygulanabilirlik çerçevesinde IoT saldırı tespiti problemidir. Bu bölümde CICIoT2023 veriseti kullanılmış; S-SFIX ile seçilen özellik alt kümeleri aynı FFNN mimarisi altında SHAP, LIME ve Random Forest temelli seçimlerle karşılaştırılmıştır. Sonuçlar, tam özellik kümesi ile eğitilen modelin %98.45 doğruluk sağladığını, ancak özellik sayısı önemli ölçüde azaltıldığında performansın keskin biçimde bozulmadığını göstermektedir. S-SFIX ile seçilen 20 özellikli model %98.05, 15 özellikli model %97.93, 10 özellikli model %96.96 ve 5 özellikli model %96.89 doğruluk üretmiştir. Bu, özellik boyutunun 46'dan 20'ye düşürülmesiyle yaklaşık %56.5, 46'dan 15'e düşürülmesiyle yaklaşık %67.4 oranında bir azaltım sağlanmasına rağmen sınıflandırma başarısının yüksek düzeyde korunduğunu ortaya koymaktadır. Tezde bu sonuçlar, S-SFIX'in düşük boyutlu temsil uzaylarında da en yüksek bilgi taşıyan çekirdek özellikleri önceliklendirebildiği ve özellikle daha agresif boyut indirgeme senaryolarında pratik bir özellik seçme yaklaşımı sunduğu şeklinde yorumlanmıştır. Böylece çalışma, geliştirilen açıklanabilirlik çerçevesinin yalnızca finansal denetim gibi alan özgü bir problemde değil, IoT siber güvenlik gibi farklı bir bağlamda da etkili biçimde kullanılabildiğini göstermektedir.

Özet (Çeviri)

This thesis focuses on the explainability, reliability, regulatory compliance, and operational resilience requirements that have become increasingly visible with the growing use of artificial intelligence in the financial sector. The main objective of the study is to develop a new explainable AI framework for financial decision problems that not only produces high accuracy but also explains the decision-making mechanism in a multidimensional way and can be adapted to different application areas. To this end, the thesis is structured around three main axes. The first axis involves a comprehensive literature review of the ACM Digital Library, SpringerLink, IEEE Xplore, and ScienceDirect databases, systematically examining explainable AI applications in the financial field. This review revealed that methods such as SHAP and LIME are predominantly used in finance, but integrated explainability approaches that simultaneously address financial time dependence, data reliability, anomaly structure, and risk-focused assessments are limited. The second axis of the thesis proposes an original explainable AI model called SFIX (Scalable Financial-oriented Interpretable eXplanation) to address this gap. SFIX; The Dynamic Importance Score, Confidence Score, Pattern Score, Anomaly Score, and Risk Score components are used together to evaluate the static importance of features, their temporal behavior, their relationship with data quality, their pattern structure, and their risk sensitivity. Thus, unlike methods such as SHAP and LIME, which primarily produce post-hoc explanations, the model offers an endogenous and multidimensional explanatory mechanism more suitable to the nature of financial data. In this thesis, S-SFIX, a simplified form of SFIX for scenarios that do not require temporal structure, has been developed and its cross-domain applicability tested. SFIX's unique contribution is that it does not reduce explainability to a single local contribution account; it directly incorporates data reliability, anomaly behavior, and risk structure into the explanation process. This approach also provides a strong framework for feature selection. The study shows that SFIX produces more parsimony-focused and denser explanations compared to SHAP and LIME; previous experiments showed that bootstrap and Lorenz/Gini-based evaluations provided a simpler and more stable explanatory structure. The third axis of this thesis is the empirical validation of the proposed approach in two different application areas. The first application is the financial audit opinion classification problem. In this section, SFIX is integrated with a feedforward neural network (FFNN) architecture and evaluated on both the raw dataset (N=10572) and the dataset with missing data completed (N=23830). The findings show that SFIX can effectively select distinguishing features in audit opinion prediction and provides more consistent results compared to SHAP and LIME-based selections, especially in low-dimensional feature subsets. As stated in the experimental results, the SFIX-based approach reduced dimensionality by 59% with only a marginal performance loss of 0.45%. This result shows that it provides a significant computational advantage in high-dimensional financial data while largely preserving predictive power. Furthermore, it was observed that the SFIX+FFNN structure exhibited a more significant superiority, especially in scenarios where a small number of features were studied. For example, in the narrowest setup with five features, the SFIX+FFNN model achieved 90.14% accuracy, 88.49% precision, and 90.14% recall; this demonstrates that an information-intensive and distinctive subset can be generated even with a limited feature space. Overall findings from the audit side reveal that SFIX is not only a method that provides explainability in the context of financial auditing, but also a powerful feature selection and dimensionality reduction mechanism. The second application is the IoT intrusion detection problem within the framework of AI resilience and cross-domain applicability. In this section, the CICIoT2023 dataset was used; feature subsets selected with S-SFIX were compared with SHAP, LIME, and Random Forest-based selections under the same FFNN architecture. The results show that the model trained with the full feature set achieved 98.45% accuracy, but performance did not deteriorate sharply when the number of features was significantly reduced. The 20-feature model selected with S-SFIX produced an accuracy of 98.05%, the 15-feature model 97.93%, the 10-feature model 96.96%, and the 5-feature model 96.89%. This shows that despite a reduction of approximately 56.5% when the feature dimensionality was reduced from 46 to 20 and approximately 67.4% when it was reduced from 46 to 15, the classification success was maintained at a high level. In this thesis, these results are interpreted as S-SFIX being able to prioritize the most informative core features even in low-dimensional representation spaces and offering a practical feature selection approach, especially in more aggressive dimensionality reduction scenarios. The study demonstrates that the developed explainability framework can be effectively used not only in a domain-specific problem such as financial auditing, but also in a different context such as IoT cybersecurity.

Benzer Tezler

  1. Tez No

    728120

    Developing data-driven methods using machine learning in operations and finance

    Üretim yönetimi ve finansta yapay öğrenme kullanan veri tabanlı yöntemler

    DAVOOD PIRAYESH NEGHAB

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri MühendisliğiKoç Üniversitesi

    Endüstri Mühendisliği ve Operasyon Yönetimi

    PROF. DR. AHMET FİKRİ KARAESMEN

  2. Tez No

    110475

    Integration of information system plan into business plan in mobile banking

    Mobil bankacılıkta bilgi sistemleri planın iş planına entegrasyonu

    HAKAN ALİYAZICIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2002

    BankacılıkMarmara Üniversitesi

    İşletme Ana Bilim Dalı

    YRD. DOÇ. DR. GÖKSAN ERDOĞAN

  3. Tez No

    915349

    Fiyat ve envanter transferi kararlarının bütünleşik optimizasyonu için yönlendirici bir analitik yaklaşım ve perakende sektöründe uygulaması

    A prescriptive analytics approach for the joint optimization of price and inventory transfer decisions and its application in the retail sector

    MEHMET MUSTAFA ÖZALP

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET BÜLENT DURMUŞOĞLU

  4. Tez No

    878655

    A hierarchical key assignment scheme: A unified approach for scalability and efficiency, with a specialized implementation in cloud computing

    Hiyerarşik anahtar atama şeması: Ölçeklenebilirlik ve verimlilik için bütünleşik bir yaklaşım ve bulut bilişim için özelleştirilmiş bir gerçekleme

    İBRAHİM ÇELİKBİLEK

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ENVER ÖZDEMİR

  5. Tez No

    994539

    Finansal gelişme ve enerji tüketimi ilişkisinin seçilmiş OECD ülkeleri örneğinde ekonometrik analizi

    Econometric analysis of the relationship between financial development and energy consumption in seleceted OECD countries

    DUHANUR KAYDAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    EkonomiÇanakkale Onsekiz Mart Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. BURCU KILINÇ SAVRUL

Geri Dön