اعتبارسنجی هوشمند و کاهش مطالبات غیر جاری بانک ها: رویکردهای داده محور و یادگیری ماشین

هدف پژوهش، بررسی تاثیر اعتبارسنجی هوشمند بر کاهش مطالبات غیرجاری بانک ها و مقایسه مدل های داده محور و یادگیری ماشین در پیش بینی نکول وام ها است. روش تحقیق از نوع توصیفی-تحلیلی و کمی است که با استفاده از داده های تاریخی تسهیلات بانکی و اطلاعات اعتباری مشتریان، از الگوریتم های یادگیری ماشین برای تحلیل و پیش بینی ریسک اعتباری بهره گرفته شده است. مدل های مختلف یادگیری ماشین شامل درخت تصمیم، رگرسیون لجستیک، شبکه عصبی مصنوعی و ماشین بردار پشتیبان مورد ارزیابی قرار گرفته اند. نتایج نشان می دهند که مدل های یادگیری ماشین دقت بالاتری در پیش بینی مطالبات غیرجاری و نکول وام ها نسبت به روش های سنتی (وثیقه محور) دارند. همچنین، کیفیت داده های ورودی و استفاده از داده های کلان تاثیر مثبت و معناداری بر دقت مدل ها دارند. این یافته ها تاثیرگذار بودن استفاده از الگوریتم های یادگیری ماشین در بهبود عملکرد سیستم های اعتبارسنجی و کاهش مطالبات غیرجاری را تایید می کنند.

کلیدواژه ها:

اعتبارسنجی هوشمند ، بانکداری داده محور ، ریسک اعتباری ، نکول تسهیلات ، یادگیری ماشین