مدل یادگیری تقویتی چندبازویی با انتخاب ویژگی برای رتبه بندی اعتباری بررسی تاثیر جریمه ها

چکیده مقاله

شناسایی دقیق مشتریان بدحساب یکی از چالشهای اساسی موسسات مالی است که می تواند به کاهش زیانهای اعتباری و بهبود مدیریت ریسک منجر شود در این پژوهش یک سیستم هوشمند مبتنی بر یادگیری تقویتی با استفاده از مدل راه زن چند دستی زمینه ای خطی برای پیش بینی رفتار اعتباری مشتریان طراحی و پیاده سازی شد این مدل با بهره گیری از ویژگی های زمینه ای شامل سن، درآمد ماهانه، نسبت بدهی به درآمد و سابقه دیرکرد پرداخت تصمیم به اعطای وام یا عدم آن می گیرد و وزن های خود را پس از مشاهده نتیجه واقعی به روزرسانی می کند برای بهبود دقت و کاهش پیچیدگی مدل از روش انتخاب ویژگی مبتنی بر مدل جانشین Random Forest و معیار MDI استفاده شد و سه ویژگی کلیدی مرتبط با سابقه دیرکرد پرداخت مشتریان انتخاب گردید علاوه بر این تاثیر جریمه های مختلف برای اشتباه در طبقه بندی بر عملکرد مدل بررسی شد تا تعادل بهینه بین شناسایی مشتریان بدحساب و جلوگیری از برچسب گذاری نادرست مشتریان خوش حساب برقرار شود نتایج تجربی نشان داد که مدل MAB با ویژگی های منتخب و تنظیم مناسب جریمه ها قادر است مشتریان بدحساب را با Recall بالا و معیارهای عملکرد مطلوب شناسایی کند در حالی که فضای تصمیم گیری ساده و پایدار باقی می ماند این یافته ها نشان دهنده ظرفیت بالای الگوریتم MAB برای بهبود فرآیند اعطای اعتبار و مدیریت ریسک اعتباری در موسسات مالی بوده و می تواند به تصمیم گیری هوشمند و کاهش زیانهای مالی کمک شایانی نماید

کلیدواژه‌ها

نویسندگان

علیرضا سلیمانی

دانشجوی کارشناسی ارشد دانشکده مهندسی صنایع و سیستمها دانشگاه تربیت مدرس

محمدعلی رستگار سرخه

استادیار دانشکده مهندسی صنایع و سیستمها دانشگاه تربیت مدرس

�لیمانی، علیرضا و رستگار سرخه، محمدعلی،1404،مدل یادگیری تقویتی چندبازویی با انتخاب ویژگی برای رتبه بندی اعتباری بررسی تاثیر جریمه ها،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