1. Vgl. Chen (2016).
2. Vgl. EBA (2021), Absatz 4.2.
3. European Commission (2021): Proposal for a Regulation laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), 
   https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A52021PC0206, 30. März 2025. 
4. Vgl. EBA (2023), Absatz 5.2.2.
5. Vgl. Lundberg (2017) und Lundberg (2018).
6. Vgl. Gunnarsson (2017), EBA (2021), EBA (2023), Kelp (2023), Baesens (2017).
7. Die AUC misst, wie gut ein Modell zwischen zwei Klassen unterscheidet. Sie gibt die Wahrscheinlichkeit an, dass ein positives Beispiel (z. B. ein Ausfall) einen höheren Score erhält als ein negatives. Eine AUC von 1,0 zeigt perfekte Trennschärfe, 0,5 entspricht dem Zufall.
8. Die Gini-Kennzahl ist eine lineare Transformation der AUC (Gini = 2 × AUC−1) und damit äquivalent in der Aussagekraft. Beide Kennzahlen messen die Trennschärfe eines Modells. Wir geben stets beide Kennzahlen an, da einige Lesende eher mit der AUC, andere eher mit dem Gini-Koeffizienten vertraut sind.
9.  Der Brier-Score misst die Qualität probabilistischer Vorhersagen und entspricht dem mittleren quadratischen Fehler zwischen den vorhergesagten Wahrscheinlichkeiten und den tatsächlichen binären Zielwerten. Ein niedriger Wert deutet auf gut kalibrierte und präzise Vorhersagen hin.
10. Die genannten Verfahren werden in dieser Studie aus Vereinfachungsgründen nicht weiter besprochen. Für weitere Details verweisen wir auf Gunnarsson et al. (2023).
11. Der Datensatz steht über die Plattform www.creditriskanalytics.net öffentlich zur Verfügung und wurde im Rahmen dieser Studie unverändert übernommen, jedoch gemäß gängiger Praxis bereinigt und standardisiert.
12. Die kategorischen Merkmale JOB und REASON wurden aus Vereinfachungsgründen nicht berücksichtigt.
13.  EBA (2021), EBA (2023)
14. Kelp (2023)
15. Lundberg (2017), Lundberg (2018)
16. Das Logit-Modell liefert einen Score von s(x) = 0,2265 (d. h. f(x) = –1,228), das XGBoost-Modell einen Score von s(x) = 0,9937 (d. h. f(x) = 5,067).