بررسی عملکرد روشهای آماری، یادگیری ماشین و یادگیری عمیق در پیش بینی و مدیریت ریسک اعتباری

ارزیابی ریسک اعتباری هسته اصلی اقتصادهای مدرن است. به طور سنتی، با روش های آماری و حسابرسیدستی اندازه گیری می شود. پیشرفت های اخیر در هوش مصنوعی مالی ناشی از موج جدیدی از مدلهایریسک اعتباری مبتنی بر یادگیری ماشین (ML) است که توجه فوق العادهای را هم از سوی صنعت و هم از سوی دانشگاه ها به خود جلب کرد. در این مقاله، به طور سیستماتیک مجموعه ای از پژوهش های صورتگرفته را که در بازه های زمانی متفاوت با استفاده از تکنیک های آماری، یادگیری ماشین و یادگیری عمیقبرای رسیدگی به مشکلات ریسک اعتباری مرور میشود. به طور خاص، یک روش طبقه بندی جدید برایالگوریتم های ریسک اعتباری مبتنی بر ML و رتبه بندی عملکرد آنها با استفاده از مجموعه داده های عمومی پیشنهاد می گردد. در این پژوهش بیشتر در مورد چالش ها از جمله عدم تعادل داده ها، ناسازگاریمجموعه دادهها، شفافیت مدل و استفاده ناکافی از مدل های یادگیری عمیق بحث می گردد. نتایج بررسینشان میدهد که بیشتر مدلهای یادگیری عمیق از یادگیری ماشین کلاسیک و الگوریتم های آماری دربرآورد ریسک اعتباری بهتر عمل میکنند و همچنین روشهای ترکیبی دقت بالاتری را در مقایسه بامدلهای تک ارائه میکنند. در نهایت، جداول خلاصه از نظر مجموعه داده ها و مدل های پیشنهادی را ارائه می شود.

کلیدواژه ها:

ریسک اعتباری ، یادگیری ماشینی ، یادگیری عمیق ، پیش بینی ریسک