حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 04 01 An Early Warning Credit Risk Prediction Model Based on Metaheuristic Algorithms (Case Study: Bank Sepah) ارائه الگوی پیش‌بینی ریسک اعتباری مبتنی بر هشدار سریع با استفاده از الگوریتم‌های فراابتکاری (مطالعه موردی: بانک سپه) 1 25 FA 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 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 Journal Article 1404/10/01 <p>This study aims to develop and validate an intelligent hybrid model for credit risk prediction with early warning capability to support proactive decision-making in banking systems. This data-driven, ex-post facto study was conducted on corporate clients of Bank Sepah. The population included 2,847 firms (2018–2022), from which 340 were selected using proportional stratified sampling. Data were collected from audited financial statements, credit records, and behavioral indicators, and preprocessed through normalization, outlier treatment, and class balancing. Analytical approaches included classical models (logistic regression and Cox survival analysis) and machine learning models (SVM and neural networks). A genetic algorithm was employed for hyperparameter optimization and model aggregation. Model performance was evaluated using accuracy, sensitivity, specificity, F1-score, and AUC . Results indicated that liquidity, profitability, cash flow, and relationship duration significantly reduce default probability and hazard, whereas leverage increases risk. Nonlinear models outperformed linear approaches. The hybrid metaheuristic model achieved the highest AUC and lowest Type II error, demonstrating superior predictive performance and robustness. The survival model also showed strong capability in predicting time-to-default. The proposed framework enhances credit risk prediction accuracy and enables dynamic monitoring and early warning, facilitating more effective and proactive risk management in banking.</p> <p>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.</p> https://www.jafci.com/index.php/jafci/article/download/413/235