مدیریت ریسک اعتباری با یادگیری ماشین؛ دقت بیشتر، تصمیم سریع‌تر

۱مقدمه

ریسک اعتباری، یعنی احتمال ناتوانی وام‌گیرنده در بازپرداخت تعهدات، بزرگ‌ترین ریسک ترازنامهٔ بانک‌هاست. مدل‌های سنتی امتیازدهی، عمدتاً بر رگرسیون لجستیک و تعداد محدودی متغیر استوارند و الگوهای غیرخطی رفتار مشتری را به‌خوبی بازنمایی نمی‌کنند.

۲بررسی موضوع

الگوریتم‌هایی مانند جنگل تصادفی و تقویت گرادیان (Gradient Boosting) قادرند صدها متغیر را هم‌زمان تحلیل کرده و روابط پیچیده میان آن‌ها را کشف کنند. پژوهش‌ها نشان می‌دهد این مدل‌ها در بسیاری از موارد، توان تفکیک مشتریان خوش‌حساب از پرریسک را به‌طور معناداری افزایش می‌دهند.

با این حال، دقت بالا به‌تنهایی کافی نیست. ناظران بانکی و مشتریان حق دارند بدانند چرا درخواستی رد شده است. روش‌های تفسیرپذیری مانند SHAP امکان توضیح سهم هر عامل در تصمیم نهایی را فراهم می‌کنند و از سوگیری پنهان مدل جلوگیری می‌کنند.

۳جمع‌بندی

افزون بر این، رفتار اقتصادی در طول زمان تغییر می‌کند؛ به‌ویژه در شرایط تورمی. بنابراین مدل‌ها باید به‌طور مستمر پایش، اعتبارسنجی و در صورت افت عملکرد، بازآموزی شوند.