ارائه الگوی هوشمند سنجش ریسک اعتباری مشتریان بانکی با استفاده از الگوریتمهای طبقهبندی و دادههای رفتاری مالی
کلمات کلیدی:
ریسک اعتباری, اعتبارسنجی بانکی, الگوریتمهای طبقهبندی, دادههای رفتاری مالی, یادگیری ماشین, بانکداری هوشمندچکیده
هدف پژوهش حاضر ارائه الگوی هوشمند سنجش ریسک اعتباری مشتریان بانکی با تأکید بر نقش الگوریتمهای طبقهبندی، دادههای رفتاری مالی، حکمرانی داده و قابلیت تفسیرپذیری تصمیمات اعتباری است. این پژوهش با رویکرد کیفی و روش تحلیل مضمون انجام شد. مشارکتکنندگان شامل ۲۱ نفر از خبرگان بانکی، مدیران اعتبارات، متخصصان مدیریت ریسک، تحلیلگران داده، کارشناسان فناوری اطلاعات بانکی و صاحبنظران فینتک در شهر تهران بودند که بهصورت هدفمند و با راهبرد گلولهبرفی انتخاب شدند. دادهها از طریق مصاحبههای نیمهساختاریافته گردآوری شد. مصاحبهها تا رسیدن به اشباع نظری ادامه یافت؛ اشباع اولیه در مصاحبه هجدهم حاصل شد و سه مصاحبه تکمیلی برای اطمینان از پایداری مقولهها انجام گرفت. دادهها با استفاده از نرمافزار NVivo و طی مراحل کدگذاری باز، محوری و انتخابی تحلیل شدند. تحلیل مصاحبهها به استخراج پنج مقوله اصلی انجامید: زیرساخت دادههای رفتاری مالی، موتور هوشمند طبقهبندی اعتباری، حکمرانی و کیفیت داده، تفسیرپذیری و عدالت الگوریتمی، و یکپارچهسازی الگو در فرایند تصمیمگیری بانکی. مشارکتکنندگان تأکید داشتند که ریسک اعتباری صرفاً با شاخصهای مالی سنتی قابل سنجش نیست و الگوی هوشمند باید رفتار واقعی مشتری در جریانهای پرداخت، الگوی مصرف، نوسان مانده حساب، انضباط بازپرداخت، تعامل دیجیتال و ثبات درآمدی را تحلیل کند. همچنین، استفاده از الگوریتمهای طبقهبندی مانند رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان و گرادیان بوستینگ در کنار شاخصهای تفسیرپذیری، برای افزایش دقت و اعتمادپذیری تصمیمات اعتباری ضروری دانسته شد. الگوی پیشنهادی نشان میدهد که اعتبارسنجی هوشمند زمانی برای بانکها ارزشآفرین است که میان دقت پیشبینی، شفافیت تصمیم، کیفیت داده، کنترل سوگیری و قابلیت استفاده عملی در فرایند اعطای تسهیلات تعادل برقرار شود.
دانلودها
مراجع
Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J., & Vanthienen, J. (2003). Benchmarking state-of-the-art classification algorithms for credit scoring. Journal of the Operational Research Society, 54(6), 627–635. https://doi.org/10.1057/palgrave.jors.2601545
Berg, T., Burg, V., Gombović, A., & Puri, M. (2020). On the rise of FinTechs: Credit scoring using digital footprints. The Review of Financial Studies, 33(7), 2845–2897. https://doi.org/10.1093/rfs/hhz099
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Bussmann, N., Giudici, P., Marinelli, D., & Papenbrock, J. (2021). Explainable machine learning in credit risk management. Computational Economics, 57(1), 203–216. https://doi.org/10.1007/s10614-020-10042-0
Crook, J. N., Edelman, D. B., & Thomas, L. C. (2007). Recent developments in consumer credit risk assessment. European Journal of Operational Research, 183(3), 1447–1465. https://doi.org/10.1016/j.ejor.2006.09.100
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
Fuster, A., Goldsmith-Pinkham, P., Ramadorai, T., & Walther, A. (2022). Predictably unequal? The effects of machine learning on credit markets. The Journal of Finance, 77(1), 5–47. https://doi.org/10.1111/jofi.13090
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Guest, G., Bunce, A., & Johnson, L. (2006). How many interviews are enough? An experiment with data saturation and variability. Field Methods, 18(1), 59–82. https://doi.org/10.1177/1525822X05279903
Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in consumer credit scoring: A review. Journal of the Royal Statistical Society: Series A (Statistics in Society), 160(3), 523–541. https://doi.org/10.1111/j.1467-985X.1997.00078.x
Khandani, A. E., Kim, A. J., & Lo, A. W. (2010). Consumer credit-risk models via machine-learning algorithms. Journal of Banking & Finance, 34(11), 2767–2787. https://doi.org/10.1016/j.jbankfin.2010.06.001
Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European Journal of Operational Research, 247(1), 124–136. https://doi.org/10.1016/j.ejor.2015.05.030
Louzada, F., Ara, A., & Fernandes, G. B. (2016). Classification methods applied to credit scoring: A systematic review and overall comparison. Surveys in Operations Research and Management Science, 21(2), 117–134. https://doi.org/10.1016/j.sorms.2016.10.001
Markov, A., Seleznyova, Z., & Lapshin, V. (2022). Credit scoring methods: Latest trends and points to consider. The Journal of Finance and Data Science, 8, 180–201. https://doi.org/10.1016/j.jfds.2022.07.002
Thomas, L. C., Crook, J. N., & Edelman, D. B. (2017). Credit scoring and its applications (2nd ed.). Society for Industrial and Applied Mathematics.