مروري بر روش‌هاي هوشمند ارزيابي ريسك اعتباري مشتريان حقيقي بانك

Intelligent methods for credit risk evaluation of bank’s real customers: A literature review

وظيفه اصلي بانك‌ها جمع‌آوري سپرده سرمايه‌گذاران و اختصاص آن به افراد متقاضي تسهيلات است. با توجه به شرايط ناپايدار اقتصادي، محدوديت منابع مالي و افزايش مقدار وام‌هاي غيرجاري، ريسك اعتباري به عنوان مهم‌ترين ريسك بانك شناخته مي‌شود. به‌منظور مديريت اين ريسك، كميته جهاني نظارت بانكي( بازل) در بيانيه‌اي استفاده از روش‌هاي اعتبارسنجي داخلي را در كنار اعتبارسنجي خارجي توصيه كرده‌است. در سال‌هاي اخير با گسترش استفاده از فناوري اطلاعات و سيستم‌هاي اطلاعاتي، بسياري از محققان به استفاده از روش‌هاي هوشمند مبتني بر تحليل داده روي آورده‌اند. روش‌هاي هوشمند توانايي تحليل داده‌هاي حجيم و قابليت استفاده از تعداد زيادي متغير به‌منظور تصميم‌گيري را دارند. لذا در اين مطالعه، مروري بر پژوهش‌هاي هشت سال اخير براي ارائه يك نقشه تحقيقاتي از مقالاتي كه اين روش‌ها را به كار گرفته‌اند انجام شد. مقالات مورد مطالعه در 4 دسته اصلي آماري و رياضي ، يادگيري ماشين ، يادگيري عميق و تركيبي دسته‌بندي شدند. همچنين 63 متغير تأثيرگذار در اعتبار مشتري از مطالعات مختلف استخراج گرديد كه مشابه با مدل 5C در 5 دسته قرار گرفتند. مرور پژوهش‌هاي انجام شده نشان داد: 1)از ميان روش‌هاي آماري و رياضي، رگرسيون لجستيك، از ميان روش‌هاي يادگيري ماشين، ماشين بردار پشتيبان و يادگيري جمعي و از ميان روش‌هاي يادگيري عميق، شبكه عصبي پيشرو و MLP پرتعداد بوده‌اند 2) روش‌هاي يادگيري ماشين در مقايسه با رگرسيون لجستيك كه به‌طور سنتي در امتيازدهي اعتباري استفاده مي‌شد، عملكرد بهتري داشته‌اند 3) مدل‌هاي تركيبي پيچيده و يادگيري جمعي بهتر از مدل‌هاي منفرد عمل كرده‌اند 4) روش‌هاي يادگيري عميق عملكرد قابل مقايسه‌اي با روش‌هاي يادگيري ماشين سنتي دارند اما كمتر مورد استفاده قرار گرفته‌اند.