ارائه مدل پیش‌بینی ریسک اعتباری در مؤسسات مالی با استفاده از ترکیب شبکه‌های عصبی عمیق و تحلیل داده‌های کلان

فاطمه ابراهیمی سروعلیا¹

1) دانشجوی دکترای مالی_بانکداری، دانشکده مدیریت و اقتصاد، دانشگاه آزاد واحد علوم و تحقیقات،تهران، ایران

کد IOI مقاله : ABFK-ABKHDH
محل انتشار : سومین همایش بین المللی پژوهش های نوین در مدیریت، حقوق، علوم انسانی و کارآفرینی(icmlhe.ir)
چکیده :
    ریسک اعتباری یکی از مهم‌ترین منابع زیان در مؤسسات مالی است و کیفیت برآورد احتمال نکول، مستقیماً بر پذیرش یا رد درخواست اعتبار، قیمت‌گذاری تسهیلات، تعیین حد اعتباری، ذخیره‌گیری و مدیریت سرمایه اثر می‌گذارد. با گسترش بانکداری دیجیتال، حجم و تنوع داده‌های قابل استفاده برای ارزیابی اعتبار از اطلاعات سنتی صورت‌های مالی و سوابق بازپرداخت فراتر رفته و داده‌های تراکنشی، رفتاری، دیجیتال، شبکه‌ای و کلان‌اقتصادی را نیز دربر گرفته است. با وجود این ظرفیت، استفاده از داده‌های کلان بدون معماری تحلیلی مناسب می‌تواند به افزایش نویز، ریسک مدل، سوگیری و دشواری توضیح‌پذیری منجر شود. هدف این پژوهش ارائه یک چارچوب ترکیبی برای پیش‌بینی ریسک اعتباری است که در آن یک لایه تحلیل داده‌های کلان برای یکپارچه‌سازی، پاک‌سازی و مهندسی ویژگی‌ها با یک شبکه عصبی عمیق و یک شاخه تقویتی مبتنی بر XGBoost ادغام می‌شود و خروجی به‌صورت احتمال نکول و طبقه ریسک قابل استفاده در تصمیم‌های اعتباری تولید می‌گردد. برای ارزیابی روش، یک آزمایش بازتولیدپذیر بر روی ۶۰٬۰۰۰ پرونده اعتباری شبیه‌سازی‌شده با ساختار چندمنبعی و توالی ۱۲ماهه رفتار بازپرداخت طراحی شد. داده‌ها با نسبت ۶۰/۲۰/۲۰ به آموزش، اعتبارسنجی و آزمون تقسیم شدند و مدل‌های رگرسیون لجستیک، جنگل تصادفی، XGBoost، شبکه عصبی عمیق و مدل ترکیبی پیشنهادی مقایسه شدند. نتایج آزمون نشان داد ROC-AUC مدل ترکیبی پیشنهادی برابر 0.688 و F1 برابر 0.422 است و در مقایسه با رگرسیون لجستیک، جنگل تصادفی و XGBoost بهبود محدودی اما پایدار در قدرت تفکیک ایجاد می‌کند. همچنین PR-AUC شبکه عصبی عمیق به 0.391 رسید که در مسئله نامتوازن نکول، نشانه مفیدی از کیفیت شناسایی کلاس پرریسک است. یافته‌ها نشان می‌دهد مزیت اصلی چارچوب پیشنهادی نه صرفاً افزایش یک شاخص دقت، بلکه ایجاد زنجیره‌ای یکپارچه از داده تا تصمیم است که امکان مهندسی ویژگی‌های پویا، پایش رانش داده، توضیح‌پذیری، کنترل سوگیری و تنظیم آستانه تصمیم بر مبنای هزینه را فراهم می‌کند. در پایان، الزامات پیاده‌سازی عملی شامل حاکمیت داده، اعتبارسنجی مستقل، کنترل مدل، کالیبراسیون و پایش مستمر تشریح شده است.

کلمات کلیدی : ریسک اعتباری احتمال نکول شبکه عصبی عمیق داده‌های کلان یادگیری ماشین