پیش‌بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم‌های یادگیری ماشین

این پژوهش با هدف پیش‌بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم‌های یادگیری ماشین انجام شده است. پژوهش حاضر با تحلیل داده‌های ریسک عملیاتی و ارزیابی عملکرد الگوریتم‌های یادگیری ماشین به‌منظور ارائۀ الگوریتم‌هایی موثر برای پیش‌بینی دقیق‌تر احتمال وقوع ریسک عملیاتی و مدیریت بهتر آن در صنعت بانکداری صورت گرفته است. در این پژوهش، داده‌های مرتبط با ریسک عملیاتی از سال 1395 تا 1402 جمع‌آوری و پیش‌پردازش شد و سپس با استفاده از مدل‌های یادگیری ماشین مانند rf، dt، svm، lr، nb و knn پیش‌بینی انجام شد. عملکرد مدل‌ها با معیارهایی همچون دقت، صحت، بازخوانی، f1-score و auc ارزیابی شد تا بهترین مدل برای پیش‌بینی احتمال وقوع ریسک انتخاب شود. نتایج نشان می‌دهند که الگوریتم‌های rf و svm در پیش‌بینی احتمال وقوع ریسک عملیاتی در تمامی حالت‌ها عملکرد بسیار خوبی دارند؛ به علاوه که الگوریتم‌های یادگیری ماشین توانایی بالایی در پیش‌بینی وقوع ریسک عملیاتی دارند و می‌توانند ابزار موثری برای تصمیم‌گیری‌های مدیریتی در صنعت بانکداری فراهم کنند.

predicting the likelihood of operational risk occurrence in the banking industry using machine learning algorithms

this study investigates and predicts the likelihood of operational risk occurrence in the banking industry using machine learning algorithms. the primary objective is to analyze operational risk data and evaluate the performance of various machine learning models to develop effective tools for enhancing risk management and minimizing financial losses in banks and financial institutions. operational risk data were collected, pre-processed, and then used for predictions with machine learning models, including random forest (rf), decision tree (dt), support vector machine (svm), logistic regression (lr), naïve bayes (nb), and k-nearest neighbors (knn). model performance was assessed using evaluation metrics such as accuracy, precision, recall, f1-score, and the area under the curve (auc) to determine the most effective model for risk prediction. the findings indicate that the rf and svm algorithms outperform other models in predicting operational risk across all scenarios. furthermore, the results demonstrate the strong predictive capability of machine learning algorithms in assessing operational risk, highlighting their potential as valuable decision-making tools for risk management in the banking sector.