مروری بر روش‌های هوشمند ارزیابی ریسک اعتباری مشتریان حقیقی بانک

وظیفه اصلی بانک‌ها جمع‌آوری سپرده سرمایه‌گذاران و اختصاص آن به افراد متقاضی تسهیلات است. با توجه به شرایط ناپایدار اقتصادی، محدودیت منابع مالی و افزایش مقدار وام‌های غیرجاری، ریسک اعتباری به عنوان مهم‌ترین ریسک بانک شناخته می‌شود. به‌منظور مدیریت این ریسک، کمیته جهانی نظارت بانکی( بازل) در بیانیه‌ای استفاده از روش‌های اعتبارسنجی داخلی را در کنار اعتبارسنجی خارجی توصیه کرده‌است. در سال‌های اخیر با گسترش استفاده از فناوری اطلاعات و سیستم‌های اطلاعاتی، بسیاری از محققان به استفاده از روش‌های هوشمند مبتنی بر تحلیل داده روی آورده‌اند. روش‌های هوشمند توانایی تحلیل داده‌های حجیم و قابلیت استفاده از تعداد زیادی متغیر به‌منظور تصمیم‌گیری را دارند. لذا در این مطالعه، مروری بر پژوهش‌های هشت سال اخیر برای ارائه یک نقشه تحقیقاتی از مقالاتی که این روش‌ها را به کار گرفته‌اند انجام شد. مقالات مورد مطالعه در 4 دسته اصلی آماری و ریاضی ، یادگیری ماشین ، یادگیری عمیق و ترکیبی دسته‌بندی شدند. همچنین 63 متغیر تاثیرگذار در اعتبار مشتری از مطالعات مختلف استخراج گردید که مشابه با مدل 5c در 5 دسته قرار گرفتند. مرور پژوهش‌های انجام شده نشان داد: 1)از میان روش‌های آماری و ریاضی، رگرسیون لجستیک، از میان روش‌های یادگیری ماشین، ماشین بردار پشتیبان و یادگیری جمعی و از میان روش‌های یادگیری عمیق، شبکه عصبی پیشرو و mlp پرتعداد بوده‌اند 2) روش‌های یادگیری ماشین در مقایسه با رگرسیون لجستیک که به‌طور سنتی در امتیازدهی اعتباری استفاده می‌شد، عملکرد بهتری داشته‌اند 3) مدل‌های ترکیبی پیچیده و یادگیری جمعی بهتر از مدل‌های منفرد عمل کرده‌اند 4) روش‌های یادگیری عمیق عملکرد قابل مقایسه‌ای با روش‌های یادگیری ماشین سنتی دارند اما کمتر مورد استفاده قرار گرفته‌اند.