Machine Learning and XAI-based Credit Card Delinquency Prediction

신용카드 연체 예측은 신용 위험 관리의 핵심 과제이다. 기존 모델은 주로 전통적 금융 변수와 로지스틱 회귀 모형으로 접근하였으나, 최근 연구는 비재무적 특성과 머신러닝 결합이 예측 정확도를 향상시킬 수 있음을 보여준다. 본 연구는 Kaggle의 26,457명 신용카드 사용자 데이터를 활용하여 LightGBM, XGBoost, Random Forest 알고리즘을 적용하고, Optuna로 하이퍼파라미터를 최적화하였다. K-폴드 교차검증으로 성능을 검증하고 최적 폴드 수를 분석했으며, SHAP 분석을 통해 각 특성이 예측에 미치는 영향을 해석하였다. LightGBM이 가장 높은 성능을 보였으며 신용카드 발급 경과 월 수, 출생·취업 경과 일 수, 총소득 등 신용연체에 영향을 미치는 핵심 변수들을 확인할 수 있었다.