رتبه بندی اعتباری با استفاده از یادگیری تقویتی مبتنی بر الگوریتم راه زن چنددست: مطالعه ای مقایسه ای با مدلهای یادگیری ماشین

چکیده مقاله

شناسایی به موقع و دقیق مشتریان بدحساب یکی از مهمترین چالشهای موسسات مالی در مدیریت ریسک اعتباری است زیرا عدم تشخیص صحیح این دسته از مشتریان می تواند منجر به زیانهای مالی قابل توجه شود در این پژوهش از یادگیری تقویتی با رویکردی نوین مبتنی بر الگوریتم راه زن چند دسته ای MAB برای دسته بندی مشتریان به خوش حساب و بدحساب ارائه شده است هدف اصلی افزایش توانایی مدل در شناسایی مشتریان بدحساب با حفظ دقت کلی بالا است عملکرد مدل MAB با دو مقدار جریمه متفاوت ۱۰ و ۱ با الگوریتم های متداولی نظیر Naive KNN RF DT XGBoost Bayes و LightGBM مقایسه شده است ارزیابی بر اساس معیارهایی همچون Accuracy Precision Specificity Recall و AUC نشان داد که مدل MAB با جریمه ۱۰ با دستیابی به حساسیت ۵۹ ۵۶ و دقت پیشبینی ۹۶ ۸۲ در شناسایی مشتریان بدحساب، عملکردی برتر نسبت به سایر مدل ها ارائه می دهد نتایج حاکی از آن است که استفاده از الگوریتم MAB می تواند به طور موثری فرآیند رتبه بندی اعتباری را بهبود داده و ریسک نکول را کاهش دهد

کلیدواژه‌ها

نویسندگان

علیرضا سلیمانی

دانشجوی کارشناسی ارشد دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس

محمدعلی رستگار سرخه

استادیار دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس

�لیمانی، علیرضا و رستگار سرخه، محمدعلی،1404،رتبه بندی اعتباری با استفاده از یادگیری تقویتی مبتنی بر الگوریتم راه زن چنددست: مطالعه ای مقایسه ای با مدلهای یادگیری ماشین،دوازدهمین همایش بین المللی مدیریت،حسابداری و اقتصاد در توسعه پایدار،مشهد

ارائه‌شده در

مجموعه مقالات دوازدهمین همایش بین المللی مدیریت،حسابداری و اقتصاد در توسعه پایدار8 شهریور 1404 · مشهد