مروری بر روشهای هوشمند ارزیابی ریسک اعتباری مشتریان حقیقی بانک

وظیفه اصلی بانکها جمع آوری سپرده سرمایه گذاران و اختصاص آن به افراد متقاضی تسهیلات است. با توجه به شرایط ناپایدار اقتصادی، محدودیت منابع مالی و افزایش مقدار وامهای غیرجاری، ریسک اعتباری به عنوان مهمترین ریسک بانک شناخته میشود. به منظور مدیریت این ریسک، کمیته جهانی نظارت بانکی( بازل) در بیانیه ای استفاده از روشهای اعتبارسنجی داخلی را در کنار اعتبارسنجی خارجی توصیه کرده است. در سالهای اخیر با گسترش استفاده از فناوری اطلاعات و سیستمهای اطلاعاتی، بسیاری از محققان به استفاده از روشهای هوشمند مبتنی بر تحلیل داده روی آورده اند. روشهای هوشمند توانایی تحلیل داده های حجیم و قابلیت استفاده از تعداد زیادی متغیر بهمنظور تصمیم گیری را دارند. لذا در این مطالعه، مروری بر پژوهشهای هشت سال اخیر برای ارائه یک نقشه تحقیقاتی از مقالاتی که این روشها را به کار گرفته اند انجام شد. مقالات مورد مطالعه در ۴ دسته اصلی "آماری و ریاضی"، "یادگیری ماشین"، "یادگیری عمیق" و "ترکیبی" دسته بندی شدند. همچنین ۶۳ متغیر تاثیرگذار در اعتبار مشتری از مطالعات مختلف استخراج گردید که مشابه با مدل ۵C در ۵ دسته قرار گرفتند. مرور پژوهشهای انجام شده نشان داد: (۱از میان روشهای آماری و ریاضی، رگرسیون لجستیک، از میان روشهای یادگیری ماشین، ماشین بردار پشتیبان و یادگیری جمعی و از میان روشهای یادگیری عمیق، شبکه عصبی پیشرو و MLP پرتعداد بوده اند (۲ روشهای یادگیری ماشین در مقایسه با رگرسیون لجستیک که به طور سنتی در امتیازدهی اعتباری استفاده میشد، عملکرد بهتری داشته اند (۳ مدلهای ترکیبی پیچیده و یادگیری جمعی بهتر از مدلهای منفرد عمل کردهاند (۴ روشهای یادگیری عمیق عملکرد قابل مقایسه ای با روشهای یادگیری ماشین سنتی دارند اما کمتر مورد استفاده قرار گرفته اند.

کلیدواژه ها:

اعتبارسنجی ، ریسک اعتباری ، پیشبینی نکول ، امتیاز اعتباری ، رتبه اعتباری