مدل سازی پیش بینی تایید وام با شبکه عصبی مصنوعی و بهینه سازی با الگوریتم ژنتیک همراه با تحلیل تفسیرپذیر SHAP

پیش بینی دقیق تایید یا رد وام، یکی از چالش های حیاتی در صنعت بانکداری و مدیریت ریسک اعتباری به شمار می رود که تاثیر مستقیمی بر تصمیم گیری های مالی و بهینه سازی منابع دارد. در این پژوهش، مدل شبکه عصبی مصنوعی (ANN) همراه با بهینه سازی هایپرپارامترها از طریق الگوریتم ژنتیک توسعه یافته است تا عملکرد پیش بینی بهینه و قابل اعتمادی ارائه دهد. مدل پیشنهادی با بهره گیری از ویژگی های کلیدی مشتریان مانند درآمد سالانه، ارزش دارایی های بانکی و سوابق اعتباری، موفق به کسب صحت ۹۷.۷ درصد در پیش بینی شده است. همچنین معیارهای F۱-Score (۹۶.۴۲%)، یادآوری (۹۷.۷۴%) و دقت (۹۹.۰۳%) نشان دهنده توانمندی بالای مدل در تشخیص صحیح هر دو کلاس تایید و رد وام می باشند. تحلیل های SHAP به روشنی نشان داد که درآمد سالانه و دارایی های بانکی بیشترین تاثیر مثبت را در تصمیم گیری مدل دارند، در حالی که امتیاز اعتباری و مبلغ وام تاثیر منفی بر پیش بینی نهایی داشته اند که این امر می تواند ناشی از ارتباط آنها با ریسک اعتباری باشد. نتایج به دست آمده نه تنها بیانگر دقت و حساسیت بالای مدل نسبت به عوامل مالی است، بلکه قابلیت تفسیرپذیری آن را نیز افزایش می دهد که می تواند نقش موثری در بهبود فرآیندهای اعتبارسنجی و تصمیم گیری هوشمند بانک ها ایفا کند.

کلیدواژه ها:

شبکه عصبی مصنوعی ، الگوریتم ژنتیک ، پیش بینی تایید وام ، تفسیرپذیری مدل ، SHAP ، یادگیری ماشین ، اعتبارسنجی مشتریان