طراحی مدلهای نوین سنجش اثربخشی اعتبارسنجی مبتنی بر یادگیری ماشین در نظام بانکی

این پژوهش با هدف طراحی و ارزیابی مدلهای نوین سنجش اثربخشی اعتبارسنجی مبتنی بر یادگیری ماشین در نظام بانکی انجام شد. مسئله اصلی پژوهش، محدودیت مدلهای سنتی در تحلیل دادههای چندبعدی و پیشبینی دقیق ریسک اعتباری بود که منجر به ناکارآمدی در تصمیمگیریهای اعتباری میشود. دادههای مورد استفاده شامل اطلاعات مالی، رفتاری و اجتماعی ۵۰،۰۰۰ مشتری بانکی در بازه زمانی ۱۳۹۵ تا۱۴۰۲ بود. پس از پاکسازی دادهها و استانداردساز ی آنها، سه مدل یادگیری ماشین شامل جنگل تصادفی، شبکه عصبی عمیق و ماشین بردار پشتیبان ارزیابی شدند. نتایج نشان داد که شبکه عصبی عمیق با دقت ۹۳% و AUC -ROC معادل۰.۹۲ بهترین عملکرد را ارائه داد، اما به دلیل پیچیدگی و نیاز به منابع محاسباتی باال، اجرای عملی آن ممکن است محدودیتهایی داشته باشد. مدل جنگل تصادفی با دقت ۹۱% و AUC -ROC برابر با۰.۸۹ تعادل بهتری بین دقت، پیچیدگی و منابع محاسباتی داشت و به عنوان گزینهای مناسببب برای اسببتفاده عملی در نظام بانکی پیشببنهاد شببد. همچنین از تکنیکهای SHAP و LIME برای افزایش شببفافیت تصمیمات مدلها استفاده شد. این پژوهش نشان داد که بهرهگیری از یادگیری ماشین میتواند اثربخشی فرآیند اعتبارسنجی را به طور قابلتوجهی بهبود بخشببد. پ یشببنهاد میشببود بانکها با بهبود زیرسببا ت های داده و اسببتفاده از مدل های نوین یادگیری ماشبب ین، کارایی سیستمهای اعتبارسنجی ود را ارتقاء دهند.

کلیدواژه ها:

یادگیری ماشین ، اعتبارسنجی مشتریان ، نظام بانکی ، مدلهای پیشبینی ریسک