ارائه‌ی مدل هیبریدی مبتنی بر الگوریتم ژنتیک، بهینه‌سازی بیزین و یادگیری ماشینی جهت پیش‌بینی وضعیت اعتباری مشتریان حقوقی

این مقاله به ارائه‌ی یک مدل هیبریدی جدید برای اعتبارسنجی مشتریان بانکی می‌پردازد که ترکیبی از الگوریتم ژنتیک، بهینه‌سازی بیزین  و مدل یادگیری ماشینی xgboost است. هدف اصلی این مدل، بهبود دقت و کارایی در ارزیابی ریسک اعتباری مشتریان و کاهش هزینه‌های مرتبط با بروز اشتباه در پیش‌بینی‌هاست. در این تحقیق، داده‌های مربوط به دوره‌های پنج ساله‌ی صورت‌های مالی و وضعیت اعتباری مشتریان بانکی مربوط به سال‌های 1398 الی 1402 مورد استفاده قرار گرفته و پس از پیش‌پردازش داده‌ها شامل نرمال‌سازی و مدیریت داده‌های گم‌شده، از الگوریتم ژنتیک برای انتخاب ویژگی‌های بهینه مورد استفاده قرار گرفته است. سپس، بهینه‌سازی بیزین به‌عنوان یک ابزار پیشرفته جهت تنظیم دقیق ابرپارامترهای xgboost به کار گرفته شده است. نتایج حاصل‌شده از پژوهش، بیان‌گر عملکرد برتر مدل پیشنهادی در مقایسه با روش‌های متداول اعتبارسنجی است. مدل هیبریدی پیشنهادی توانسته است با دقت 79.3 درصد و نرخ بازشناسی مطلوب برای مشتریان معتبر و غیرمعتبر، به‌ویژه در طبقه‌بندی مشتریان با ریسک بالا، برتری خود را نشان دهد. تحلیل‌های آماری و مقایسه عملکرد مدل با سایر روش‌های موجود، تاثیر مثبت انتخاب ویژگی و تنظیم ارامترها را تایید می‌کند. این مدل می‌تواند به‌عنوان یک ابزار عملیاتی برای بانک‌ها و موسسات مالی جهت کاهش ریسک اعتباری و بهبود مدیریت مشتریان مورد استفاده قرار گیرد.

hybrid model based on genetic algorithm, bayesian optimization and machine learning for predicting credit status of legal clients

this study presents a novel hybrid model for credit scoring of banking clients, integrating genetic algorithm (ga), bayesian optimization, and the machine learning technique xgboost. the primary objective of this model is to enhance accuracy and efficiency in credit risk assessment while minimizing the costs associated with prediction errors. the dataset comprises five-year financial statements and credit profiles of banking clients from 1398 to 1402. after data preprocessing—including normalization and handling of missing values—genetic algorithm was employed to select the optimal set of features. subsequently, bayesian optimization was utilized as an advanced tool for fine-tuning the hyperparameters of the xgboost model. the empirical results demonstrate the superior performance of the proposed hybrid model in comparison to conventional credit scoring methods. achieving an accuracy of 79.3% and favorable recognition rates for both creditworthy and non-creditworthy clients, the model especially excels in classifying high-risk clients. statistical analyses and comparative evaluations further confirm the positive impact of feature selection and hyperparameter optimization on the model's performance. this hybrid model offers a practical and effective tool for banks and financial institutions to reduce credit risk and improve customer management.