مهدی فرضی

در حوزه مدیریت ریسک مالی، رتبه بندی اعتباری به عنوان مکانیسمی حیاتی برای پیش بینی احتمال بازپرداخت تسهیلات توسط متقاضیان شناخته می شود. اگرچه مدل های سنتی مبتنی بر یادگیری ماشین در این زمینه مورد استفاده گسترده قرار گرفته اند، ادغام راهکارهای نوین یادگیری عمیق با پارادایم های یادگیری جمعی به عنوان گامی تحول آفرین در افزایش دقت پیش بینی مطرح شده است. این پژوهش، الگوریتم یکپارچه بهینه سلسله مراتبی HUOA را معرفی می کند که از سینرژی بین سه لایه پردازشی پیشرفته بهره می برد. در لایه پایه، سه کلاسیفایر مبتنی بر یادگیری جمعی شامل AdaBoost، Bagging و شبکه حافظه بلند کوتاه مدت LSTM به صورت موازی جهت استخراج ویژگی های سطح اول به کار گرفته می شوند. خروجی این لایه وارد لایه متاآموزش می شود که در آن یک فراآموزش دهنده مبتنی بر جنگل تصادفی با معماری تطبیق پذیر، اقدام به ترکیب غیرخطی پیش بینی ها و تولید امتیاز نهایی ریسک اعتباری می نماید. در این پژوهش، یک چارچوب یادگیری عمیق یکپارچه برای رتبه بندی اعتباری مشتریان بانک پیشنهاد شده است که بر اساس یادگیری جمعی و بهینه سازی یکپارچه پارامترها و انتخاب ویژگی ها با استفاده از الگوریتم ژنتیک (GA) طراحی گردیده است. ارزیابی تجربی بر روی داده های مشتریان حقوقی یک بانک ایرانی همراه با مجموعه داده بین المللی UCI استرالیا و آلمان با معیارهای مختلف و به ویژه دسته بندی اشتباه (MC) نشان می دهد که HUOA نسبت به روش های ترکیبی موجود در بازه زمانی ۲۰۲۳-۲۰۲۵، بهبودی قابل توجه حاصل نموده است. این معماری سلسله مراتبی نه تنها قابلیت تفسیرپذیری مدل را از طریق تحلیل اهمیت ویژگی در لایه متا حفظ می کند، بلکه با کاهش واریانس پیش بینی در سناریوهای نامتوازن کلاس، چارچوبی مقاوم برای تصمیم گیری در محیط های بانکی پویا ارائه می دهد. یافته ها حاکی از آن است که تلفیق هوشمندانه LSTM با استراتژی های نمونه برداری پویا در لایه جمعی، همراه با مکانیزم انتخاب ویژگی تطبیقی در لایه متا، می تواند به عنوان پارادایمی جدید در سیستم های امتیازدهی اعتباری نسل چهارم مورد توجه قرار گیرد.