رویکرد های یادگیری ماشین جهت پیش بینی ریسک اعتباری قابل تفسیر در حوزه بانکداری

چکیده مقاله

مدیریت ریسک نکول اعتباری یکی از چالش های اساسی نظام بانکی است که مستقیما بر ثبات مالی و کارایی تخصیص منابع اثر می گذارد هدف این پژوهش، توسعه و مقایسه مدل های پیش بینی ریسک نکول و تبیین پذیری نتایج آن ها با تاکید بر شناسایی محرک های اصلی ریسک اعتباری است داده های مورد استفاده شامل اطلاعات مشتریان اعتباری برگرفته از مجموعه داده German Credit بوده که پس از پیش پردازش، استخراج متغیرهای مشتق شده و شاخص های نوین فشار مالی، به مجموعه ای غنی از عوامل اقتصادی و رفتاری تبدیل شده است در این مطالعه، سه رویکرد مدل سازی شامل رگرسیون لجستیک با جریمه LASSO، جنگل تصادفی و XGBoost به کار گرفته شد ارزیابی عملکرد مدل ها با استفاده از معیار AUC نشان داد که مدل LASSO با مقدار AUC برابر با ۰ ۷۷۶، جنگل تصادفی با ۰ ۷۷۳ و XGBoost با ۰ ۷۴۱ عملکرد مناسبی در تفکیک مشتریان خوش حساب و بدحساب دارند اگرچه اختلاف عملکرد مدل ها محدود است، مدل های غیرخطی عملکرد بهتری در استخراج الگوهای پیچیده و غیرخطی از داده ها از خود نشان دادند به منظور افزایش شفافیت و تفسیرپذیری، از روش SHAP برای تحلیل مدل جنگل تصادفی استفاده شد نتایج SHAP نشان داد که شاخص هایی نظیر فشار بدهی، شدت تنش مالی، مبلغ اعتبار و مدت بازپرداخت بیشترین نقش را در پیش بینی نکول ایفا می کنند همچنین جهت اثر متغیرها حاکی از آن است که افزایش فشار بازپرداخت و بار بدهی احتمال نکول را افزایش داده، در حالی که شاخص های نقدینگی و ثبات درآمد نقش محافظتی دارند

کلیدواژه‌ها

نویسندگان

زینب طالبی جویباری

دانشجوی کارشناسی ارشد آمار زیستی دانشگاه علوم پزشکی پیامبر اعظم مازندران بانک ملی تهران، ایران

جمشید یزدانی چراتی

هیئت علمی و مدیر آموزشی دانشگاه علوم پزشکی پیامبر اعظم مازندران ایران

فرزانه امینی

دانشجو دکتری آمار زیستی، دانشگاه علوم پزشکی پیامبر اعظم مازندران ایران

�البی جویباری، زینب و یزدانی چراتی، جمشید و امینی، فرزانه،1404،رویکرد های یادگیری ماشین جهت پیش بینی ریسک اعتباری قابل تفسیر در حوزه بانکداری،یازدهمین کنفرانس بین المللی ایده های نوین در مدیریت، اقتصاد، حسابداری و بانکدار�

ارائه‌شده در

مجموعه مقالات دومین همایش ملی نقش معماری و شهرسازی بر گردشگری شهرهای مرزی28 بهمن 1404 · ارومیه