مدیریت ریسک اعتباری جهت بهبود اعطای تسهیلات به مشتریان بانکی

نظام بانکی به عنوان یکی از ارکان‌های مالی کشور، نقشی اساسی در توسعه اقتصادی دارد. یکی از چالش‌های مهم بانک‌ها در ارائه تسهیلات، شناخت دقیق مشتریان و تمایز میان گروه‌های مختلف از آن‌هاست. این پژوهش با هدف شناسایی و دسته‌بندی مشتریان بانکی بر اساس ریسک اعتباری و پیش‌بینی احتمال نکول آن‌ها با استفاده از مدل‌های یادگیری ماشین انجام می‌شود. نتایج دسته‌بندی با الگوریتم میانگین کا (k-means) نشان داد که مشتریان به چهار گروه اصلی تقسیم می‌شوند. خوشه چهارم شامل مشتریان پرریسکی است که بدهی‌های معوقه بالا و تسهیلات نکول‌شده دارند و نیازمند نظارت دقیق‌اند. خوشه سوم مشتریان بحران‌سازی را شامل می‌شود که با بدهی‌های معوقه بالا در معرض انتقال به گروه پرریسک قرار دارند. خوشه دوم شامل مشتریان با ریسک متوسط است که هرچند پایدارند، اما به نظارت نیاز دارند. خوشه اول نیز مشتریان کم‌ریسکی را شامل می‌شود که بدهی‌های معوقه کمی دارند و بهترین گزینه برای اعطای تسهیلات جدید هستند. در این پژوهش، از مدل‌های ایکس‌جی‌بوست و لاجیت برای پیش‌بینی نکول استفاده شده است. مدل ترکیبی ارائه‌شده به بانک‌ها کمک می‌کند تا استراتژی‌های موثرتری برای مدیریت ریسک و تخصیص بهینه منابع مالی تدوین کرده و جایگاه رقابتی خود را در بازار تقویت کنند.

credit risk management for enhancing facilities allocation to bank customers

the banking system, as a cornerstone of a country’s financial structure, plays a vital role in economic development. one of the key challenges banks face in offering loans is accurately identifying customers and distinguishing between different groups. this study aims to classify bank customers based on credit risk and predict their probability of default using machine learning models. the results of customer segmentation with the k-means algorithm indicate that customers are divided into four main clusters. the fourth cluster includes high-risk customers with significant overdue debts and defaulted loans, requiring close monitoring. the third cluster consists of crisis-prone customers with high overdue debts who are at risk of moving into the high-risk category. the second cluster represents medium-risk customers who, although relatively stable, need monitoring. the first cluster comprises low-risk customers with minimal overdue debts, making them ideal candidates for new loans. this research utilizes xgboost and logistic regression models to predict defaults. the proposed hybrid model helps banks design more effective risk management strategies, optimize financial resource allocation, and strengthen their competitive position in the market.