ارائه الگوی پیش‌بینی ریسک اعتباری مبتنی بر هشدار سریع با استفاده از الگوریتم‌های فراابتکاری (مطالعه موردی: بانک سپه)

نویسندگان

    محمد رستمی گروه حسابداری، واحد بین الملل ارس، دانشگاه ازاد اسلامی، تبریز، ایران
    یعقوب پور کریم * گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران pourkarim@iaut.ac.ir
    یونس باد اور نهندی گروه حسابداری، واحد تبریز، دانشگاه ازاد اسلامی، تبریز، ایران
    رسول برادران حسن زاده گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
    مهدی زینالی گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

کلمات کلیدی:

ریسک اعتباری, هشدار سریع, الگوریتم فراابتکاری, تحلیل بقا, یادگیری ماشین, مدیریت ریسک بانکی

چکیده

هدف این پژوهش ارائه و اعتبارسنجی یک الگوی ترکیبی و هوشمند برای پیش‌بینی ریسک اعتباری با قابلیت هشدار زودهنگام و تصمیم‌گیری پیش‌دستانه در نظام بانکی است. این پژوهش با رویکرد پس‌رویدادی و داده‌محور بر روی مشتریان حقوقی بانک سپه انجام شد. جامعه آماری شامل 2847 شرکت طی سال‌های 1397 تا 1401 بود که با نمونه‌گیری طبقه‌ای متناسب، 340 شرکت انتخاب شدند. داده‌ها از صورت‌های مالی، سوابق اعتباری و اطلاعات رفتاری استخراج و پس از پیش‌پردازش شامل نرمال‌سازی، حذف داده‌های پرت و کنترل عدم توازن آماده‌سازی شدند. برای تحلیل، مدل‌های کلاسیک شامل رگرسیون لجستیک و مدل بقا (کاکس) و مدل‌های یادگیری ماشین شامل SVM و شبکه عصبی به کار رفت. بهینه‌سازی پارامترها و ترکیب مدل‌ها با الگوریتم ژنتیک انجام شد. ارزیابی عملکرد با شاخص‌های دقت، حساسیت، ویژگی، F1 و AUC صورت گرفت . نتایج نشان داد متغیرهای نقدینگی، سودآوری، جریان نقد و سابقه تعامل اثر کاهنده معنادار بر احتمال و زمان نکول دارند، در حالی که اهرم مالی اثر افزاینده دارد. مدل‌های غیرخطی عملکرد بهتری نسبت به مدل‌های خطی نشان دادند. مدل ترکیبی فراابتکاری با بیشترین مقدار AUC و کمترین خطای نوع دوم به‌عنوان مدل برتر شناسایی شد و پایداری آن در تحلیل حساسیت تأیید گردید. همچنین مدل بقا قدرت بالایی در پیش‌بینی زمان نکول (C-index بالا) نشان داد. الگوی پیشنهادی با تلفیق یادگیری ماشین، مدل‌های کلاسیک و بهینه‌سازی فراابتکاری، دقت پیش‌بینی ریسک اعتباری را افزایش داده و امکان پایش پویا و هشدار زودهنگام را برای تصمیم‌گیری مدیریتی فراهم می‌کند.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

Akhmetshin, E., Abdullayev, I., Makhmudov, S., Klochko, E., & Boltaeva, M. (2026). An Advancing Financial Credit Risk Forecasting Model Using Graph Convolutional Networks for Sustainable Economic Analysis. Engineering, Technology & Applied Science Research, 16(1), 30948-30953. https://doi.org/10.48084/etasr.15057

Arora, N., & Kaur, P. D. (2026). The Confluence of Artificial Intelligence and Credit Risk Assessment: A Scientometric Analysis and Research Frontiers. Technology in Society, 87, 103341. https://doi.org/10.1016/j.techsoc.2026.103341

Aruleba, I. T., & Sun, Y. (2024). Effective Credit Risk Prediction Using Ensemble Classifiers with Model Explanation. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3445308

Bao, W., Xu, K., & Leng, Q. (2024). Research on the Financial Credit Risk Management Model of Real Estate Supply Chain Based on GA-SVM Algorithm. Procedia Computer Science, 243, 900-909. https://doi.org/10.1016/j.procs.2024.09.108

Chang, V., Sivakulasingam, S., Wang, H., Wong, S. T., Ganatra, M. A., & Luo, J. (2024). Credit Risk Prediction Using Machine Learning and Deep Learning: A Study on Credit Card Customers. Risks, 12(11), 174. https://doi.org/10.3390/risks12110174

Deng, Q., Wang, W., & Gu, M. (2025). Enhanced Credit Card Approval Prediction with XGBoost and Metaheuristic Optimization for Reduced Risk. Web Intelligence, 23(4). https://doi.org/10.1177/24056456251356175

Golec, M., & Alabduljalil, M. (2026). Interpretable LLMs for Credit Risk: A Systematic Review and Taxonomy. Expert Systems with Applications, 306, 130941. https://doi.org/10.1016/j.eswa.2025.130941

Gramifar, M., Kabir, G., & Khan, S. A. (2026). Credit Risk Assessment Using Bayesian Networks and Machine Learning Approaches. Advanced Engineering Informatics, 74(Part A), 104638. https://doi.org/10.1016/j.aei.2026.104638

Kunjachen, L. M., & Kavitha, R. (2025). Advancing Cardiovascular Risk Prediction: A Fusion of SVM Models with Fuzzy Logic and the Sugeno Integral. Biomedical Signal Processing and Control, 106, 107774. https://doi.org/10.1016/j.bspc.2025.107774

Kurniawan, R. (2024). Application of Random Forest Algorithm on Credit Risk Analysis. Procedia Computer Science, 245, 740-749. https://doi.org/10.1016/j.procs.2024.10.300

Li, Y., Zhao, R., & An, Y. (2026). A Credit Risk Prediction Model Combining Ensemble Learning and Deep Learning Through Three-Way Decisions. Journal of Big Data, 13, 44. https://doi.org/10.1186/s40537-026-00944

Li, Z., Liang, S., Pan, X., & Pang, M. (2024). Credit Risk Prediction Based on Loan Profit: Evidence from Chinese SMEs. Research in International Business and Finance, 67(Part A), 102155. https://doi.org/10.1016/j.ribaf.2023.102155

Lin, S., Lin, X., & He, X. J. (2025). Credit Risk Identification with Hawkes Processes: Theory and Evidence. The Quarterly Review of Economics and Finance, 103, 102027. https://doi.org/10.1016/j.qref.2025.102027

Machado, M. R., Chen, D. T., & Osterrieder, J. R. (2025). An Analytical Approach to Credit Risk Assessment Using Machine Learning Models. Decision Analytics Journal, 16, 100605. https://doi.org/10.1016/j.dajour.2025.100605

Mahadevan, V., Subramaniam, S., & Srivastava, V. (2026). Carbon Concentration in Bank Portfolios and Efficiency: The Role of Credit Risk and Capitalization. Journal of International Financial Markets, Institutions and Money, 109, 102327. https://doi.org/10.1016/j.intfin.2026.102327

Paz, A., Crawford, B., Monfroy, E., Barrera-Garcia, J., Pena Fritz, A., Soto, R., Cisternas-Caneo, F., & Yanez, A. (2025). Machine Learning and Metaheuristics Approach for Individual Credit Risk Assessment: A Systematic Literature Review. Biomimetics, 10(5), 326. https://doi.org/10.3390/biomimetics10050326

Peng, Q., Zhu, Y., & Wang, G. J. (2025). SCF Credit Risk Assessment with Limited Labeled Data Using Label Propagation Algorithm and Complex Network Approaches. International Review of Financial Analysis, 107, 104619. https://doi.org/10.1016/j.irfa.2025.104619

Plikas, J. H., & Kenourgios, D. (2026). Renewable Energy and Bank Credit Risk: The Mediating Role of Economic Growth. Economic Modelling, 107576. https://doi.org/10.1016/j.econmod.2026.107576

Purnama, M. R., Adriano, B., Lahcene, E., Suppasri, A., Imamura, F., Farid, M., & Adityawan, M. B. (2025). Improving Indonesia's Tsunami Early Warning. Part II: Hybridized Deep Learning and Metaheuristic Algorithm for Forecasting and Optimizing. Ocean Engineering, 333, 121496. https://doi.org/10.1016/j.oceaneng.2025.121496

Rajkumar, K., Jayachandran, P., Chakrapani, K., Magesh, S., & Manikandan, R. (2025). Financial Risk Prediction with Banking Monitoring for Cyber Security Analysis Using Automated Machine Learning. In E. Gangadevi (Ed.), Automated Machine Learning and Industrial Applications. Wiley. https://doi.org/10.1002/9781394272426.ch8

Shao, X., Wang, Z., Mirza, N., & Umar, M. (2026). Fossil Fuel Lending and Transition Risk: Evidence from Provisions and Credit Risk Capital Requirements. International Review of Economics & Finance, 107, 105105. https://doi.org/10.1016/j.iref.2026.105105

Zhu, F., Chen, X., & Li, G. (2022). Multi-Classification Assessment of Personal Credit Risk Based on Stacking Integration. Procedia Computer Science, 214, 605-612. https://doi.org/10.1016/j.procs.2022.11.218

دانلود

چاپ شده

1406-04-01

ارسال

1404-10-01

بازنگری

1405-02-09

پذیرش

1405-02-16

شماره

نوع مقاله

Articles

ارجاع به مقاله

رستمی م. .، پور کریم ی.، باد اور نهندی ی.، برادران حسن زاده ر. .، و زینالی م. . (1406). ارائه الگوی پیش‌بینی ریسک اعتباری مبتنی بر هشدار سریع با استفاده از الگوریتم‌های فراابتکاری (مطالعه موردی: بانک سپه). حسابداری، امور مالی و هوش محاسباتی، 1-25. https://www.jafci.com/index.php/jafci/article/view/413

مقالات مشابه

1-10 از 212

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.