مروری بر نقش الگوریتم های یادگیری ماشین در ارزیابی و پیش بینی ریسک های اعتباری، نقدینگی و بازار در سیستم بانکی (با تاکید بر الزامات بوم شناختی بانکداری ایران)

مدیریت ریسک در سیستم های بانکی با پیچیدگی های فزاینده ای روبه رو است که روش های سنتی مدیریت و سنجش را با چالش های ساختاری مواجه کرده است. این پژوهش با هدف واکاوی نقش الگوریتم های هوشمند یادگیری ماشین در ارزیابی و پیش بینی ریسک های اعتباری، نقدینگی و بازار با تمرکز بر چالش ها و الزامات بومی بانکداری ایران انجام شده است. برای دستیابی به این هدف، یک مرور نظام مند ادبیات (SLR) به صورت سنتز پژوهی مفهومی بر روی ۵۸ سند هسته و جریان ساز با روش سنتز کیفی و تحلیل کمی توصیفی در بازه زمانی ۲۰۱۶ تا نیمه اول سال ۲۰۲۶ طراحی و اجرا شد. مطالعات منتخب از پایگاه های داده معتبر بین المللی شامل Web of Science و IEEE Xplore گزینش شده اند. یافته های این تحقیق نشان می دهد که الگوریتم هایی نظیر جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM) و مدل های یادگیری عمیق، می توانند دقت پیش بینی ریسک های بانکی را در مقایسه با مدل های کلاسیک افزایش دهند. همچنین، این مطالعه بر اهمیت یادگیری فدرال (Federated Learning) و هوش مصنوعی قابل توضیح (XAI) برای بوم سازی الگوها در شبکه بانکی ایران تاکید کرده و نقشه راهی جامع برای پژوهشگران و مدیران بانکی جهت استفاده بهینه از هوش مصنوعی فراهم می کند.

کلیدواژه ها:

یادگیری ماشین ، مدیریت ریسک بانکی ، مرور نظام مند ادبیات (SLR) ، بانکداری ایران ، ریسک اعتباری ، ریسک نقدینگی ، ریسک بازار.