پیش بینی ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین

هدف: در این پژوهش، به بررسی و بهبود مدیریت ریسک عملیاتی در بانک ها با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. مدیریت موثر ریسک عملیاتی که از نقص های داخلی یا خارجی در فرایندها، سیستم ها و افراد نشئت می گیرد، به دلیل تاثیرهای منفی آن بر عملکرد و پایداری بانک ها، اهمیت بسیار زیادی دارد. هدف این پژوهش، ارائه رویکردی نوین برای بهبود مدیریت ریسک های عملیاتی در بانک ها با استفاده از تکنیک های یادگیری ماشین است. با توجه به اهمیت پیش بینی دقیق ریسک های عملیاتی، برای جلوگیری از خسارت های احتمالی و بهبود فرایندهای تصمیم گیری در صنعت بانکداری، این پژوهش به دنبال ارتقای دقت و کارایی مدل های پیش بینی ریسک است. تمرکز اصلی بر استفاده از داده های واقعی بانک ها و ارزیابی الگوریتم های یادگیری ماشین، به منظور شناسایی بهترین روش ها برای پیش بینی سطوح ریسک های مختلف است. روش: در این پژوهش از الگوریتم های یادگیری ماشین برای پیش بینی سطح وقوع ریسک های عملیاتی استفاده شده است. داده ها از مجموعه داده های ریسک عملیاتی یکی از بانک های ایرانی در دوره زمانی ۱۳۹۵ تا ۱۴۰۲ با ۴۲۱۳ رکورد و ۱۲ ویژگی جمع آوری شدند. پس از پیش پردازش داده ها، از الگوریتم های مختلف یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، رگرسیون لجستیک، بیز ساده و k نزدیک ترین همسایه، برای آموزش مدل ها استفاده شد. داده ها به نسبت ۸۰ به ۲۰ به مجموعه های آموزشی و آزمون تقسیم و با استفاده از اعتبارسنجی متقابل K تایی ارزیابی شدند. عملکرد مدل ها با استفاده از معیارهایی نظیر دقت، صحت، یادآوری، F۱-score و منحنی ROC-AUC سنجیده و بهترین مدل برای پیش بینی های آتی انتخاب شد. یافته ها: یافته های این پژوهش نشان می دهد که استفاده از الگوریتم های یادگیری ماشین، می تواند به طور چشمگیری دقت پیش بینی ریسک های عملیاتی در بانک ها را افزایش دهد. در ارزیابی الگوریتم های مختلف، الگوریتم SVM و RF بهترین عملکرد را نشان دادند، به ویژه در طبقه بندی کلاس سوم که دقت مدل با معیار AUC نزدیک به ۱ بود. این نتایج از توانایی بالای این دو الگوریتم در تمایز دقیق بین سطوح مختلف ریسک های عملیاتی حکایت می کند. در مقابل، الگوریتم های LR و NB ضعیف ترین عملکرد را از خود نشان دادند و نتوانستند به خوبی ریسک ها را پیش بینی کنند. به طور کلی، یافته ها نشان می دهد که الگوریتم های قدرتمندی مانند SVM و RF می توانند ضمن کمک به بهبود مدیریت ریسک های عملیاتی در بانک ها، از آسیب های نشئت گرفته از مدیریت نادرست این ریسک ها جلوگیری کنند. نتیجه گیری: این پژوهش نشان داد که استفاده از الگوریتم های یادگیری ماشین می تواند به طور درخور توجهی به بهبود مدیریت ریسک های عملیاتی در بانک ها کمک کند. الگوریتم های پیشرفته یادگیری ماشین، به ویژه SVM و RF، برای پیش بینی ریسک های عملیاتی دقت بیشتری ارائه دادند و امکان شناسایی الگوهای پیچیده و غیرمعمول را فراهم کردند. این فناوری ها با بهبود کارایی و کاهش هزینه های مربوط به مدیریت ریسک، به بانک ها کمک می کنند تا استراتژی های بهتری برای مقابله با ریسک های عملیاتی تدوین کنند؛ از این رو به کارگیری مستمر این فناوری ها می تواند عملکرد بانک ها را در زمینه مدیریت ریسک عملیاتی ارتقا بخشد.

کلیدواژه ها:

ریسک عملیاتی ، یادگیری ماشین ، مدیریت ریسک ، پیش بینی ریسک