ارائه‌ی مدل هیبریدی مبتنی بر الگوریتم ژنتیک، بهینه‌سازی بیزین و یادگیری ماشینی جهت پیش‌بینی وضعیت اعتباری مشتریان

محورهای موضوعی : راهبری شرکتی

پردیس فولادی ¹ , محسن امینی خوزانی ² , زهره حاجیها ³ , شادی شاهوردیانی ⁴

1 - دانشجوی دکتری گروه مهندسی مالی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیارگروه مهندسی مالی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران
3 - استادگروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
4 - استادیارگروه مهندسی مالی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1403/10/05 تاریخ پذیرش : 1404/01/19 تاریخ انتشار : 1404/03/20

کلید واژه: اعتبارسنجی, مدل هیبریدی, الگوریتم ژنتیک, بهینه‌سازی بیزین, مدل یادگیری ماشینی XGBoost,

چکیده مقاله :

این مقاله به ارائه‌ی یک مدل هیبریدی جدید برای اعتبارسنجی مشتریان بانکی می‌پردازد که ترکیبی از الگوریتم ژنتیک، بهینه‌سازی بیزین  و مدل یادگیری ماشینی XGBoost است. هدف اصلی این مدل، بهبود دقت و کارایی در ارزیابی ریسک اعتباری مشتریان و کاهش هزینه‌های مرتبط با بروز اشتباه در پیش‌بینی‌هاست. در این تحقیق، داده‌های واقعی مربوط به مشتریان بانکی مورد استفاده قرار گرفته و پس از پیش‌پردازش داده‌ها شامل نرمال‌سازی و مدیریت داده‌های گم‌شده، از الگوریتم ژنتیک برای انتخاب ویژگی‌های بهینه مورد استفاده قرار گرفته است. سپس، بهینه‌سازی بیزین به‌عنوان یک ابزار پیشرفته جهت تنظیم دقیق ابرپارامترهای XGBoost به کار گرفته شده است. نتایج حاصل‌شده از پژوهش، بیان‌گر عملکرد برتر مدل پیشنهادی در مقایسه با روش‌های متداول اعتبارسنجی است. مدل هیبریدی پیشنهادی توانسته است با دقت 76 /82 درصد و نرخ بازشناسی مطلوب برای مشتریان معتبر و غیرمعتبر، به‌ویژه در طبقه‌بندی مشتریان با ریسک بالا، برتری خود را نشان دهد. تحلیل‌های آماری و مقایسه عملکرد مدل با سایر روش‌های موجود، تأثیر مثبت انتخاب ویژگی و تنظیم بهینه ابرپارامترها را تأیید می‌کند. این مدل می‌تواند به‌عنوان یک ابزار عملیاتی برای بانک‌ها و مؤسسات مالی جهت کاهش ریسک اعتباری و بهبود مدیریت مشتریان مورد استفاده قرار گیرد.

چکیده انگلیسی:

This article presents a novel hybrid model for credit scoring of banking customers, combining Genetic Algorithm, Bayesian Optimization, and the XGBoost machine learning model. The primary goal of this model is to enhance accuracy and efficiency in credit risk assessment and reduce the costs associated with prediction errors. In this study, real-world data from banking customers were utilized, and after preprocessing, including normalization and handling of missing data, the Genetic Algorithm was employed for optimal feature selection. Subsequently, Bayesian Optimization was applied as an advanced tool to fine-tune the hyperparameters of XGBoost. The results indicate the superior performance of the proposed model compared to conventional credit rating methods. The hybrid model achieved an accuracy of 79.3% and demonstrated excellent classification performance for both creditworthy and non-creditworthy customers, particularly in high-risk categories. Statistical analyses and performance comparisons with existing methods confirm the positive impact of feature selection and optimized hyperparameter tuning. This model can serve as a practical tool for banks and financial institutions to mitigate credit risk and improve customer management.