مدل توضیح پذیر رتبه بندی اعتباری مشتریان بانک با استفاده از SHAP و یادگیری ماشین مبتنی بر ویژگی های رفتاری
منبع:
مدیریت مالی هوشمند سال ۱ تابستان ۱۴۰۴ شماره ۲
42 - 55
حوزههای تخصصی:
در سال های اخیر، سیستم های بانکی با افزایش قابل توجه حجم و پیچیدگی داده های مالی مشتریان مواجه شده اند. این موضوع باعث شده است روش های سنتی اعتبارسنجی که بر شاخص های محدود و فرضیات خطی تکیه دارند، کارایی کمتری داشته باشند. در نتیجه، روش های یادگیری ماشین به دلیل توانایی در مدل سازی روابط غیرخطی و پیچیده، به ابزارهای مهمی در ارزیابی ریسک اعتباری تبدیل شده اند. با این حال، مشکل اصلی این مدل ها عدم شفافیت و تفسیرپذیری آن هاست که استفاده عملی از آن ها را در محیط های بانکی و تحت مقررات محدود می کند.در این پژوهش، یک چارچوب اعتبارسنجی توضیح پذیر با ترکیب الگوریتم های یادگیری ماشین و روش SHAP ارائه شده است. در این مدل، از ویژگی های رفتاری مشتریان مانند الگوی تراکنش ها، سطح بدهی، سابقه بازپرداخت و شاخص های مرتبط استفاده شده و مدل هایی مانند Random Forest، Gradient Boosting و SVM برای پیش بینی ریسک اعتباری به کار گرفته شده اند. سپس SHAP برای تفسیر نتایج و تعیین میزان تأثیر هر ویژگی بر خروجی مدل استفاده شده است. نتایج نشان می دهد که ویژگی هایی مانند سابقه بازپرداخت، نسبت بدهی به درآمد و رفتار تراکنشی از مهم ترین عوامل در تعیین امتیاز اعتباری هستند. همچنین ترکیب یادگیری ماشین با SHAP علاوه بر حفظ دقت بالا، موجب افزایش شفافیت و تفسیرپذیری مدل می شود. در مجموع، این رویکرد می تواند اعتماد، عدالت و پاسخ گویی در سیستم های اعتبارسنجی را بهبود دهد و پایه ای برای تحقیقات آینده در حوزه تحلیل مالی توضیح پذیر فراهم کند.